【深度学习】语音识别之CTC算法原理解释与公式推导

0A062478-561B-4ECB-A0BE-41CEB6F8B50B

不搞语音识别得人开这个论文确实有点费劲,结合上图,思考一下语音识别的场景,输入是一段录音,输出是识别的音素, 输入的语音文件的长度和输出的音素个数之间没有一一对应关系,通常将语音文件「分片」之后,会出现多对一的关系。这个场景在「翻译问题」和「OCR问题」中也普遍存在。

本文的特点是,提出来一种end-to-end的方法,直接将语音转问音素。不需要添加规则/后处理等过程。

文章目录 [隐藏]

几个定义

损失函数定义为平均编辑距离:

QQ20170519-142650

一种路径的概率为:

QQ20170522-111511

 

在现实之中,多个路径会对应一个正确的序列,并且这个序列长度往往小于路径长度,那么序列最终的概率可以使用路径的概率之和表示:

QQ20170522-151311

构造分类器

让我们再确定一下我们的目标,我们的目标是通过输入序列 x得到输出序列 y,如果我们可以获得输出序列的分布 p(I|x),选择其中概率最大的那一个作为「输出序列」即可。这个逻辑可以通过下面公式表示:

QQ20170522-152210

解码方法

这里介绍两种解码方法,解码是对path的分布进行的,输入为path的分布,输出为最终的序列。作者也没有找到比这两种更好的方法了。

Best path decoding

按照上面思路,需要找到序列 I 的所有路径的概率,一种简化的方式是:找到路径中概率最大的,然后其对应的序列 I 就是最优序列,这个方法被称为「Best path decoding」。

这个方法相当于是假设,最优序列的最优路径也是全局最优的(最优表示概率最大),形式化表示为:

QQ20170522-164515

prefix search decoding

接着介绍第二种方法,「prefix search decoding」是一种剪枝的算法,剪枝主要在两个方面,一是同路径不重复计算,二是不可能状态不再搜索,下图中第一层的Y不搜索就是因为同层的X和下层的Y概率都比他高。

prefix search decoding

这个方法是一种比较好的启发式搜索的方法。

网络训练

上面两种方式都是在模型已经训练出来,得到path概率分布之后的解码过程,那么如何训练一个网络,可以更好的预测path分布(即进行编码)呢?

首先这是一个有监督的过程,我们的输入是分片之后的语音文件, 输出是长度没有限制的音素序列。

前向后向算法

既然要训练,就要有「损失」,损失是定义预估的Label和正确的Label之间的「距离」,所以我们是希望每一条样本得到的path都可以有较高的概率生成其对应的Label。

对一条样本来说,如果给定了path如何确定生成当前样本的label(最终序列)的概率呢?根据定义,需要穷举所有可以生成正确label的path的概率,最后加到一起,这个计算量最差情况是「指数」级别的,这里可以使用类似HMM中的动态规划的方法,将时间复杂度变为 O(T∗|L|) ;其中 T 表示输入序列长度, |L| 表示输出Label长度。接下来就是如何巧妙地定义状态和寻找动态转移方程。

状态定义为:

QQ20170524-171429

为了实现end-to-end的训练,空格可能出现在任何两个音素之间,所以需要将原始的Label中每一个音素之间添加一个「元素」,这个「元素」可以为NULL和空格(blank)。仔细体会这个修改,对理解后面过程很重要。

理解动态转移方程之前,需要强调几个点:

  • 我们的目标是根据所有的路径(path)计算出来一个长度为 2|L|+1 的Label,即 L′生成(解码)的概率
  • path中每一个片段的内容为:音素、NULL、空格,其中每一个都可以连续出现多个
  • 序列 L′中,也是包含三种内容:「音素、NULL、空格」,但是有一些约束,例如下面模式不能出现:「...,音素x,NULL,音素x,...」,因为相同的音素如果是紧挨着肯定是需要合并的。

状态转移方程:

QQ20170526-174413

QQ20170526-180627

其中虚线的转移,需要满足条件,具体为:如果当前状态label为空格或相邻两个音素一样(中间必有空格),就不能转移。

QQ20170531-145211

似然函数

序列的似然

让我们回忆一下似然函数的定义,简单来说就是「观测到的样本生成的概率」。在我们现在的场景, 对一条样本来说,观测到的是一个序列,如果认为序列中的元素是相互独立,似然函数可以表示为:

路径的似然

路径的似然假设路径的每一个输出都是相互「独立的」,结合似然的定义,似然这里要表达的就是路径是「合法」的概率(设立合法表示可以推导到标注序列的中间状态),可以表示为:

极大似然训练

这里介绍一种快速计算,如果保证t时刻生成 ls ,那么整个label生成的概率是多少?首先理解一下下面式子的物理意义:

QQ20170531-160932

用一个图形象表示一下,可以表示为:

QQ20170531-161601

QQ20170531-161720

这里就容易推导出来,表示整个样本生成的概率公式了,穷举所有可切割位置,将他们加和到一起即可:

QQ20170531-195113

QQ20170531-203700

整个似然函数对softmax未归一化之前的变量求偏导数得到(下面有链接详细介绍这个推导过程):

QQ20170531-203713

梯度反向传播的过程如下图:

QQ20170531-204114

详细的推导:CTC最后一个公式推导

实现

tensorflow 中的ctc层:https://www.tensorflow.org/versions/r0.11/api_docs/python/nn/conectionist_temporal_classification__ctc_

参考资料

https://zhuanlan.zhihu.com/p/21775142 第一次下的论文是错误的,这里有说明。

论文:Connectionist Temporal Classification: Labelling Unsegmented Sequence Data with Recurrent Neural Networks

 

转自:https://x-algo.cn/index.php/2017/05/31/2345/

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值