本文来自公众号“AI大道理”
单音素模型词错误率为50.58%，三音子模型词错误率为36.03%，lda-mllt模型词错误率为32.12%，说话人自适应模型词错误率为28.41%，quick模型词错误率为27.94%。
可见quick模型识别率继续有了一定的提高。
能否继续优化模型？又要从哪些方面入手进行优化呢？
火热的深度学习进入了我们的视野。
第一个被取代的就是对发射概率建模的GMM，即DNN-HMM模型。
Kaldi 中实现的 dnn 共 4 种：
a） nnet1 - 基于 Karel's 的实现，特点：简单，仅支持单 GPU, 由 Karel 维护。
b） nnet2 - 基于 Daniel Povey p-norm 的实现，特点：灵活，支持多 GPU、CPU，由 Daniel 维护。
c） nnet3 - nnet2 的改进，由 Daniel 维护。
d.）(nnet3 + chain) - Daniel Povey 改进的 nnet3， 特点：可以实现实时解码，解码速率为 nnet3 的 3~5 倍。
以kaldi的thchs30为例。
总过程
9 DNN模型训练
run_dnn.sh
源码解析：
DNN模型训练要用到cuda。
训练过程：
thchs-30里面的DNN不是完整的nnet1，使用的特征不一样，也没有进行rbm预训练。
特征提取：
nnet1一般使用 40 维的 fmllr 特征，但在thchs-30中使用的是fbank特征。
为了提高神经网络模型的建模能力，通过拼帧的方法提供上下文。
拼帧后需要进行归一化、去相关操作。若是使用fmllr特征，则在此之前要使用CMVN规整各个维度的均值和方差进行去相关。
而直接使用fbank特征则不用再进行去相关操作，fbank特征本就是不相关的特征。
在fbank特征基础上得到的MFCC特征是相关的。
GMM-HMM模型的假设是输入特征具有独立性，不相关性，上下两帧数据没有关系，因此使用MFCC特征。这个假设本身存在一定问题，不是很合理。
DNN-HMM模型不需要这个假设，相反提供相关性反而有助于模型的提高，因此使用fbank特征。
DNN模型初始化：
在thchs30中，初始化模型在读取一个nnet.proto的文件，这个文件里面每一行都是一个组件component。
所谓组件就是神经网络中的节点和激活函数。
多个组件组成网络，组件之间以矩阵传递输入和输出。
dnn的输出个数对应tree的叶子节点数3456。
train.sh
nnet-initialize
Nnet类函数的实现
训练：
训练数据需要进行随机化，否则如果数据具有某种稳定变化的分布，最终输出的网络就会倾向于拟合后面若干批次的训练样本。
随机化就是打乱训练样本顺序，对于非序列递归的神经网络来说是按帧打乱的，对于序列递归的网络来说以数据块为单位进行随机化，保留数据块内部的时序性。
nnet1使用单GPU进行训练，读取feats.scp作为训练数据，强制对齐文件作为标签。
训练完毕。
训练好的DNN模型：
DNN模型部分解码识别（词级别）：
真正结果（标签词）：
单音素模型词错误率为50.58%，三音子模型词错误率为36.03%，lda-mllt模型词错误率为32.12%，说话人自适应模型词错误率为28.41%，quick模型词错误率为27.94%。
DNN模型词错误率为23.33%。
可见DNN模型识别率继续提高。
DNN模型部分解码识别（音素级别）：
真正结果（标签音素）：
单音素模型音素错误率为32.43%，三音素模型音素错误率为20.44%，lda-mllt模型音素错误率为17.06%，说话人自适应模型音素错误率为14.98%，quick模型音素错误率为13.53%。
DNN模型音素错误率为10.15%。
总结
单音素模型词错误率为50.58%，三音子模型词错误率为36.03%，lda-mllt模型词错误率为32.12%，说话人自适应模型词错误率为28.41%，quick模型词错误率为27.94%。
DNN模型词错误率为23.33%。
可见DNN模型识别率继续提高。
——————
浅谈则止，细致入微AI大道理
扫描下方“AI大道理”，选择“关注”公众号
—————————————————————
—————————————————————