引导式测验 · 中等 等级
DeepSpeech 架构测验
探索 DeepSpeech 声学特征、循环上下文、字符输出、CTC 对齐以及离线或实时识别所需的上下文。
问题 1 的 8
什么损失函数允许 DeepSpeech 在音频和文本之间无需帧级对齐的情况下进行训练？
预览每个问题8 问题
当您参加测验时，就会出现答案和解释。
- 什么损失函数允许 DeepSpeech 在音频和文本之间无需帧级对齐的情况下进行训练？
- 均方误差
- 固定长度窗口上的交叉熵
- 联结主义时间分类 (CTC)
- 三重态损失
- DeepSpeech 推广的主要架构理念是什么？
- 从音频特征到文本的单个神经网络的端到端训练
- 将识别分解为许多手工设计的独立组件
- 仅使用基于规则的拼音词典
- 纯粹通过模板匹配来识别语音
- 为什么 DeepSpeech 使用双向循环层？
- 压缩音频文件大小
- 给出过去和未来帧的每个预测上下文
- 在语言之间进行翻译
- 消除对任何训练数据的需要
- DeepSpeech 通常使用什么类型的输入功能？
- 原始像素数据
- 预先写好的文字记录
- 压缩的 MP3 元数据标签
- 通过短音频帧计算的频谱图或 MFCC 特征
- 在解码时经常添加什么来改进 DeepSpeech 的单词选择和拼写？
- 外部语言模型（例如 n-gram 模型）
- 第二个麦克风
- 更大的图像分类器
- 硬件加密芯片
- 原始 DeepSpeech 输出层在每个声学时间步长预测什么？
- 仅固定的说话者身份向量
- 一个完整的翻译文档，没有时间步骤
- 字符标签和 CTC 空白的概率分布
- 录音的文件名和压缩格式
- CTC 如何将声学框架标签路径与最终的 DeepSpeech 转录本关联起来？
- 它按字母顺序对所有字符标签进行排序
- 每个单词只需要一个音频帧
- 它将每个重复的帧标签保留为单独的书面字符
- 它根据 CTC 规则折叠重复并删除空白符号
- 为什么原始 DeepSpeech 的双向声学环境在设计实时识别器时很重要？
- 双向复发不需要未来的观察
- 未来帧上下文需要先行或等待，因此它不会自动零先行流式传输
- 网络可以在录制之前知道稍后的音频
- 字符语言模型消除了所有缓冲要求