Вікторина WaveNet

Відповіді та пояснення з’являються під час виконання тесту.

1. Як WaveNet генерує звук?
   • Один сирий зразок за раз, кондиціонований на основі попередніх зразків
   • Вибираючи кліпи з фіксованої бібліотеки
   • Перетворюючи спектрограми безпосередньо в текст
   • Всі зразки одночасно без замовлення
2. Що є ключовим згортковим нововведенням у WaveNet?
   • Максимальне об’єднання шарів
   • Розширені причинні звивини
   • Лише рекурентні ворота
   • Повністю з’єднані шари
3. How did the original WaveNet represent quantized waveform samples for prediction?
   • As a single continuous average for the entire clip
   • As speaker IDs only
   • As a categorical distribution over 256 µ-law-quantized values
   • As a sequence of image patches
4. Що було головним практичним недоліком оригінальної WaveNet?
   • Це могло створити лише тишу
   • Для цього не потрібні дані про навчання
   • Він працював лише на зображеннях
   • Послідовна вибірка сповільнила генерацію
5. In the speech-synthesis experiments described in the WaveNet paper, what does the model generate?
   • Raw speech waveforms sample by sample, conditioned on linguistic features
   • A mel-spectrogram that is itself the final audio
   • Only phoneme labels without audio
   • A MIDI score
6. Яка організація представила WaveNet?
   • НАСА
   • DeepMind
   • OpenAI
   • Adobe
7. What does causal convolution prevent in WaveNet?
   • Using preceding samples as context
   • Generating any audio waveform
   • Using future audio samples to predict the current sample
   • Conditioning on text or speaker features
8. What activation structure does the original WaveNet use in its gated convolutional layers?
   • A ReLU output concatenated with image patches
   • A softmax over speakers only
   • A linear layer without nonlinearities
   • A tanh-filter output multiplied elementwise by a sigmoid gate