Тест про архітектуру DeepSpeech

Відповіді та пояснення з’являються під час виконання тесту.

1. Яка функція втрати дозволяє навчатися DeepSpeech без вирівнювання на рівні кадру між звуком і текстом?
   • Середня квадратична помилка
   • Перехресна ентропія над вікнами фіксованої довжини
   • Часова класифікація коннекціоністів (CTC)
   • Втрата триплету
2. Яку головну архітектурну філософію популяризував DeepSpeech?
   • Наскрізне навчання однієї нейронної мережі від звукових функцій до тексту
   • Поділ розпізнавання на багато окремих компонентів, розроблених вручну
   • Використання лише фонетичних словників на основі правил
   • Розпізнавання мовлення лише за шаблоном
3. Чому DeepSpeech використовує двонаправлений рекурентний шар?
   • Щоб стиснути розмір аудіофайлу
   • Щоб надати кожному передбаченню контекст з минулих і майбутніх кадрів
   • Для перекладу між мовами
   • Щоб усунути потребу в будь-яких навчальних даних
4. З якими функціями введення зазвичай працює DeepSpeech?
   • Необроблені піксельні дані
   • Попередньо написані текстові розшифровки
   • Стиснуті теги метаданих MP3
   • Функції спектрограми або MFCC обчислюються за короткими звуковими кадрами
5. Що часто додається під час декодування, щоб покращити вибір слів і написання DeepSpeech?
   • Модель зовнішньої мови (наприклад, модель n-грами)
   • Другий мікрофон
   • Більший класифікатор зображень
   • Мікросхема апаратного шифрування
6. What does the original DeepSpeech output layer predict at each acoustic time step?
   • A fixed speaker-identity vector only
   • A single complete translated document with no time steps
   • A probability distribution over character labels and the CTC blank
   • The recording's filename and compression format
7. How does CTC relate an acoustic-frame label path to the final DeepSpeech transcript?
   • It sorts all character labels alphabetically
   • It requires exactly one audio frame for each word
   • It keeps every repeated frame label as a separate written character
   • It collapses repetitions and removes blank symbols according to the CTC rule
8. Why does original DeepSpeech's bidirectional acoustic context matter when designing a live recognizer?
   • Bidirectional recurrence needs no future observations
   • Future-frame context requires lookahead or waiting, so it is not automatically zero-lookahead streaming
   • The network can know later audio before it is recorded
   • A character language model removes all buffering requirements