Tactron 2 模型结构总览
上图是tactron 2论文中关于tactron 2的框架示意图。图中最下面一行就是Tactron 2的encoder部分,总体来说还是比较简单的,包括1个embeding层,3层卷积,最后接1个双向lstm层。
代码部分
在Tactron 2的tf实现代码里,作者定义了EncoderConvolutions和EncoderRNN两个类来表示编码器的卷积层和lstm层,然后将上述两层一起封装到TacotronEncoderCell里面,这样就构成了整个encoder部分。
深入到EncoderConvolutions类里面,可以看到该类里面主要是用到的是 tf.layers.conv1d,简单说一下conv1d这个运算,它跟常用的conv2d的区别主要是它只在列上滑动。比如,我们的文本通过embeding层之后,变成了一个imput=[num_words, embeding_dim]大小的矩阵,我们使用conv1d的时候需要定义一个kernel_size, 然后定义embeding_dim大小的channel,然后计算该层的输出。在这里,该层可以认为可以捕捉到n-gram信息,可以弥补后面lstm对长距离的信息建模不是很好的缺点。
进入EncoderRNN类中,可以看到里面是一个典型的bi-lstm,不用多讲,值得注意的是里面用到了一个zoneout的trick,有兴趣可以搜一下这个方法。
最后就是TacotronEncoderCell,将上述两个层包裹进来,它输出的就是encoder结果。