Deep Speech笔记

---

Deep Speech 1

Hannun, A., Case, C., Casper, J., Catanzaro, B., Diamos, G.,Elsen, E., Prenger, R., Satheesh, S., Sengupta, S., Coates,A., et al. (2014a).Deepspeech: Scaling up end-to-end speech recognition. arXiv preprint arXiv:1412.5567.
###网络结构

网络输入是context特征，输出是char，训练准则是CTC，解码需要结合ngram语言模型。
共五层，前三层是简单的DNN结构，第四层是双向RNN，第五层的输入是RNN的前向和后向单元，后面跟着softmax分类。

数据集	网络结构
300h switchboard	5隐层，2304节点
2300h SWB+FSH	4个RNN，每个5隐层，2304节点
100000h add noise	6个RNN，每个5隐层，2560节点

训练数据

训练数据进行加噪处理，使用多种短时噪音。
录制语音的时候增加噪声的场景.

训练优化

• Data parallelism
  训练语料按照长度排序，然后多句并行
• Model parallelism
  按照时间切分，前半段在GPU1上面计算，负责计算RNN的forward activation；后半段在GPU2上面计算，负责计算RNN的backward activation。在中间时间点交换角色。

---

Deep Speech 2

D. Amodei, R. Anubhai, E. Battenberg, C. Case, J. Casper, B. Catanzaro, J. Chen, M. Chrzanowski, A. Coates, G. Diamos et al., “Deep speech 2: End-to-end speech recognition in english and mandarin,” CoRR arXiv:1512.02595, 2015.

相比于Deep Speech，使用HPC技术，将训练时间由几周缩短到几天，尝试了更为复杂的网络结构。

网络结构

网络输入是context特征，输出是char（英文对应a/b/c，中文对应6000汉字），训练准则是CTC，解码需要结合ngram语言模型。

Batch Normalization

在网络层数更深的时候，效果更明显，收敛更快而且误差更小。
有两种BatchNorm，在第一种上面没有收益
第一种： $h_t^l=f(B(W^l{h}_T^{l-1}+U^l{h}_{t-1}^l))$
第二种： $h_t^l=f(B(W^l{h}_T^{l-1})+U^l{h}_{t-1}^l)$

SortaGrad

CTC训练的早期不稳定，长句子容易出现梯度异常（有些概率near-zero）。
在第一个epoch，将训练句子按照长度排序，首先使用断句训练，后面的epoch再按照随机顺序。

GRU

GRU相比于vanilla RNN可以取得更好的结果，同时比LSTM更容易训练。

Convolution

在网络的最底层使用3层的CNN结构。

Lookahead Convolution

使用双向RNN可以获得更好的准确性，但是对on-line服务来讲，延时问题比较明显，为了解决这个问题，在RNN上面增加了一层Lookahead Convolution。

adaptation

传统的Hybrid系统在语言之间迁移相对困难，end-to-end系统相对简单，只需要更换最后的输出节点就可以。

训练数据

英文11940h，中文9400h

训练优化

high performance computing

应用优化

• batch dispatch将线上不同的语音请求组成一个batch计算
• RNN计算使用16bit量化
• ngram查询只查询概率比较高的一些character
• 增加少量跟使用场景更匹配的语音或者文本，收益比较明显

后面的技术分享转移到微信公众号上面更新了，【欢迎扫码关注交流】