deepspeechV2版本简介

版权声明：本文为博主原创文章，遵循 CC 4.0 by-sa 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/xuan100e/article/details/96476248

论文题目: Deep Speech 2: End-to-End Speech Recognition in English and Mandarin
论文地址: https://arxiv.org/pdf/1512.02595.pdf
tensorflow版本: https://github.com/mozilla/DeepSpeech
pytorch版本: http://www.github.com/SeanNaren/deepspeech.pytorch

一. 论文解读

引用：https://blog.csdn.net/Code_Mart/article/details/87291644

    摘要
    模型结构
    文章亮点

1. 摘要

   这篇论文是在2015年由Baidu AI Lab所发布的，依旧延续了上一篇论文的路线：抛弃复杂的传统框架，拥抱基于神经网络的端到端模型。这篇论文有三个亮点：1. 作者这次所训练的模型既识别英文语音，也识别中文（普通话）语音。 2. 作者利用 HPC 技术（High-performance Computing，即高性能计算），使得整个系统性能有了大幅的提高（得利于此，模型训练速度大幅提升，也引出了第三点）。3. 作者在 Deep Speech 的基础上做了大量修改与尝试：加深了网络深度，尝试了 (Bi-directional) Vanilla RNN 和 GRU，引进了1D/2D invariant convolution，引入 Batch Nomalization。

2. 模型结构

   model input : spectrogram of power normalized audio clips as the features ，功率归一化音频剪辑的频谱图
   model output : 1. English: English character or blank symbol 2.Mandarin: simplified Chinese characters
   loss function : CTC loss，
   Author: 'We report Word Error Rate (WER) for the English system and Character Error Rate (CER) for the Mandarin system’

模型由三部分组成 Conv layer, Recurrent layer, FC layer
首先是 Conv layer:

其次是 Recurrent layer:
在这里插入图片描述

最后是 FC layer:
在这里插入图片描述
此外，作者还在模型中加入了 Batch Normalization
在这里插入图片描述
3. 文章亮点

数据并行化
CTC loss function
HPC

高性能计算(High performance computing， 缩写HPC) 指通常使用很多处理器（作为单个机器的一部分）或者某一集群中组织的几台计算机（作为单个计 算资源操作）的计算系统和环境

Cold Fusion(deep speech v3)

百度开发了Cold Fusion，它可以在训练Seq2Seq模型的时候使用一个预训练的语言模型。百度在论文中表明，带有Cold Fusion的Seq2Seq模型可以更好地运用语言信息，带来了更好的泛化效果和更快的收敛，同时只需用不到10%的标注训练数据就可以完全迁移到一个新领域。Cold Fusion还可以在测试过程中切换不同的语言模型以便为任何内容优化。Cold Fusion能够用在Seq2Seq模型上的同时，它在RNN变换器上应当也能发挥出同样好的效果。
相关论文:
1.Exploring Neural Transducers for End-to-End Speech Recognition https://arxiv.org/abs/1707.07413
2.Cold Fusion: Training Seq2Seq Models Together with Language Model https://arxiv.org/abs/1708.06426

二. 环境准备

deepspeech.pytorch是由SeanNaren所写的 pytorch版本，他本人同时贡献了Warp-CTC是CTCLoss的pytorch版本是目前使用较为广泛的CTCLoss(直接将log_softmax写入了函数)
github地址: https://github.com/SeanNaren/deepspeech.pytorch

1.安装Warp-CTC

git clone https://github.com/SeanNaren/warp-ctc.git
cd warp-ctc; mkdir build; cd build; cmake …; make
cd …/pytorch_binding && python setup.py install

注意事项：

    需要安装cmake
    安装过后如果不能直接import warp_pytorch需要关掉终端重新开启即可

2. 安装pytorch audio

sudo apt-get install sox libsox-dev libsox-fmt-all
git clone https://github.com/pytorch/audio.git
cd audio && python setup.py install

注意事项

    因为这只是一个读取音频的库 有很多类似的例如librosa scipy都可以实现相似的功能 并且我在安装时报错 所以没有安装
    如果选择不安装的话 只需要修改 data/data_loader.py即可

3. 安装 NVIDIA apex

git clone --recursive https://github.com/NVIDIA/apex.git
cd apex && pip install .

注意事项:

    安装过程中可能出现各种问题 去apex中查看具体安装方式
    此项用于FP16 半精度计算 如果不需要可以不安 (pytorch专用 速度更快 显存消耗减半)

4. 支持beam search

git clone --recursive https://github.com/parlance/ctcdecode.git
cd ctcdecode && pip install .

注意事项:

    decoder方法有两种行为 greedy search和beam search
    greedy search可以看做是beam search的一种特殊情况
    这两种都是获得局部最优解的算法 而全局最优解通常使用维特比算法 而维特比算法再此处不适用 beam search可以看做是Viterbi算法的一种简化阉割版 在此不过多叙述

三. 案例代码

1. 数据准备

   目前支持 AN4(100M) TEDLIUM(30G) Voxforge(15G) LibriSpeech(100G) 四个数据集 并且写好了预处理文本

1.1 AN4

cd data
python3 an4.py

自动下载数据集并创建 an4_train_manifest.csv文件 (wav和txt对应文件)

1.2 Voxforge

cd data
python3 voxforge.py --target-dir DIR

因为文件较大 DIR 选择自己存储数据集路径 (一开始没选默认是当前目录 给我的盘撑爆了差点)

1.3 TEDLIUM

cd data
pthon3 ted.py

1.4 LibriSpeech

cd data/
mkdir LibriSpeech/ # This can be anything as long as you specify the directory path as --target-dir when running the librispeech.py script
mkdir LibriSpeech/val/
mkdir LibriSpeech/test/
mkdir LibriSpeech/train/
cd data/
python librispeech.py --files-to-use “train-clean-100.tar.gz, train-clean-360.tar.gz,train-other-500.tar.gz, dev-clean.tar.gz,dev-other.tar.gz, test-clean.tar.gz,test-other.tar.gz”

1.5 自定义数据集

/path/to/audio.wav,/path/to/text.txt
/path/to/audio2.wav,/path/to/text2.txt

创建csv文件 包含wav和txt对应的文件

2. 训练模型

python3 train.py

– train-manifest #required=True 训练csv文件路径
– val-manifest #required=True 测试csv文件路径
– tensorboard --logdir # 可视化及l ogdir路径
– cuda # 使用GPU训练
– mixed-precision # 使用FP16半精度计算 需要apex
– visdom # 另一种可视化
– checkpoint # 是否在训练过程中设置保存点
– checkpoint-per-batch # 设置保存点间隔 默认为0 表示不记录
– epochs #默认70 迭代次数
– batch-size # 设置batch-size 默认20
– save-folder #设置保存每个epochs的模型路径
– model-path #设置保存最好model的路径
还有若干参数具体看 train.py 中的 parser 部分

3. 训练结果
   1.1 an4

在这里插入图片描述
1.2 Voxforge

跑了两个epochs的结果 简单谈一谈batch-size的影响
在这里插入图片描述

    batch-size大小会影响训练速度 batch=128 跑一个epoch 1560s batch=32 跑一个epoch 1736s
    batch-size = 32 WER CER loss 同时正常降低
    batch-szie = 128 loss CER正常降低 但WER降低缓慢 在80左右不在降低

4. TODO

   1.剩下两个数据集还没下完 回头跑完测试
   2.下一章进行各个模块代码部分详解
   ————————————————
   版权声明：本文为CSDN博主「hyxxxxxx」的原创文章，遵循CC 4.0 by-sa版权协议，转载请附上原文出处链接及本声明。
   原文链接：https://blog.csdn.net/xuan100e/article/details/96476248