引导式测验 · 中等 等级

RNN-传感器模型测验

了解 RNN-Transducer 模型如何结合声学帧和输出历史记录来执行流序列转录任务。

相关引导路径Rnn 传感器模型
问题 1 的 8

RNN-Transducer 具体解决了 CTC 的哪些限制？

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。

  1. RNN-Transducer 具体解决了 CTC 的哪些限制？
    • CTC 的条件独立假设，阻止对输出令牌依赖性进行建模
    • CTC 根本无法处理音频
    • CTC 需要 GPU 才能运行
    • CTC仅适用于图像
  2. RNN-Transducer 的三个主要组件是什么？
    • 编码器、解码器和鉴别器
    • 编码器（转录网络）、预测网络、联合网络
    • 仅限分词器、嵌入器和 softmax
    • 两个注意力头和一个路由器
  3. 预测网络在 RNN-T 中扮演什么角色？
    • 它压缩音频波形
    • 它测量麦克风音量
    • 它的作用就像一个语言模型，以先前发出的令牌为条件
    • 它选择采样率
  4. 为什么 RNN-T 如此自然地支持低延迟流？
    • 它在发出任何内容之前立即处理整个话语
    • 它完全忽略了时间顺序
    • 它仅适用于预先录制的文件
    • 它的对齐方式是单调的，从左到右，在带有空白的音频中前进
  5. 在 RNN-T 解码中，发出空白标记有什么作用？
    • 前进到下一个音频时间步
    • 结束整个转录
    • 删除前一个单词
    • 切换到不同的语言
  6. 在现代生产 RNN-T 系统中，哪种编码器类型越来越多地取代 LSTM？
    • 决策树
    • 一致性编码器
    • 普通词袋
    • 隐马尔可夫模型
  7. What two histories condition the RNN-T joint network’s output distribution?
    • Only the future transcript and a speaker photo
    • Only the last acoustic frame, without output context
    • The encoder representation of acoustic input and the prediction-network representation of prior output labels
    • The optimizer state and learning rate
  8. What alignment behavior does an RNN-T allow before advancing to the next audio frame?
    • It must emit exactly one label for every frame
    • It advances time only after a word-final token
    • It generates all output before reading any audio
    • It can emit zero or more nonblank labels at the current frame, then a blank advances time