Kaldi-dnn 学习01

男娘i 2022-04-16 00:35 303阅读 0赞

1. 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

目前来看：minibatch  Stochastic Gradient Descent 用于 DNN 梯度下降的效果最好

从一个小样本含 （τ个样本） 估计出一个 avarage gradient , 这个小样本就叫做 minibatch

2. 先从 nnet2 说起

a. nnet2 最顶层的训练脚本：steps/nnet2/train\_pnorm\_fast.sh

通过多计算节点，完成并行化训练

b. 输入神经网络的特征

输入神经网络的特征是可配置的，通常为MFCC+LDA+MLLT+fMLLR, 40-维的特征，从网络上看到的是由7帧(从中间帧到左右帧都是3帧)组成的一个帧窗。由于神经网络很难从相关输入的数据中学习，因此，以 40\*7 维特征作为一个不相关的固定变换形式，通过 step/nnet2/get\_lda.sh 完成该工作，实际中并非使用准确的 LDA，而是用 non-dimension-reducing 形式的 LDA，然后减少输出特征方差的维度。

c. dumping 训练样本到磁盘

第一步，调用 step/nnet2/get\_egs.sh：拷贝大量数据至 /exp/nnet5d/egs/；便于随机梯度下降训练。对输入做“帧-级别”的随机初始化(仅做一次)。也就是说：能始终以相同的序列化 access 数据，对于 disk 和 network, disk access 序列化是很好的。

/exp/nnet5d/egs/中包含很多 class 实例(称为NnetTrainingExample) (如egs.1.1.ark,egs.1.2.ark...)，这些 class 包含每帧的 label 信息，和该帧用于神经网络计算的一个充足的特征（40维特征）的输入时间窗。（从表面上看来）并非为神经网络做 frame-splicing，神经网络有“时间观念”，并知道“需要多长时间的上下文”（即看函数 RightContext() 和 LeftContext()）。egs.1.1.ark 中的第 1 个数字 1 代表 job-index，第 2 个数字 1 代表 iteration index。

有文件中包含 job-index 和 the iteration index，如共有16个 CPU/GPU 可用，则 job-index 取值范围 \[1, 16\]，而 the iteration index 的范围则根据数据量、及有多少个 job 来定。每个 archive 大约需要 200，000 个 samples。需要训练很多个 epochs, 每个 epoch 做很多次迭代。设定参数为 iters\_per\_epoch， num\_jobs\_nnet 和 sample\_per\_iter。

具体 iters\_per\_epoch, num\_jobs\_nnet  和 sample\_per\_iter 设置值，见 exp/nnet5d/egs/ 对应名字文件。

d. 神经网络初始化

第一步，初始含一个隐藏层的神经网络，随后在训练中逐渐增加 (2~5 ) 隐藏层。配置隐藏层的文件类似 /exp/nnet4d/nnet.config。即通过 nnet-am-init 创建初始化模型。类似如下的配置文件

SpliceComponent input-dim=40 left-context=4 right-context=4 const-component-dim=0
    FixedAffineComponent matrix=exp/nnet4d/lda.mat
    AffineComponentPreconditionedOnline input-dim=360 output-dim=1000 alpha=4.0 num-samples-history=2000 update-period=4 rank-in=20 rank-out=80 max-change-per-sample=0.075 learning-rate=0.02 param-stddev=0.0316227766016838 bias-stddev=0.5
    PnormComponent input-dim=1000 output-dim=200 p=2
    NormalizeComponent dim=200
    AffineComponentPreconditionedOnline input-dim=200 output-dim=1475 alpha=4.0 num-samples-history=2000 update-period=4 rank-in=20 rank-out=80 max-change-per-sample=0.075 learning-rate=0.02 param-stddev=0 bias-stddev=0
    SoftmaxComponent dim=1475

SpliceComponent: 定义了完成 feature-frame-splicing 的窗口尺寸

FixedAffineComponent：类 LDA-like 的非相关转换，由标准的 weight matrix plus bias 组成，通过标准的 stochastic gradient descent 训练而来，使用 global learning rate

AffineComponentPreconditionedOnline：为 FixedAffineComponent 的一种提炼，训练过程中不仅使用global learning rate，还使用 matrix-valued learning rate 来预处理梯度下降。参见 dnn2\_preconditioning。

PnormComponent：为非线性，传统的神经网络模型中使用 TanhComponent  
    NormalizeComponent：用于稳定训练 p-norm 网络，它是固定的，非可训练，非线性的。它不是在个别 individual activations 上起作用，而是对单帧的整个 vetor 起作用，重新使它们单位标准化。

SoftmaxComponent：为最终的非线性特征，便于输出标准概率

同时，上述脚本也会产生 hidden.config, 用于新的隐藏层，在最开始的两次迭代中不会使用，如

AffineComponentPreconditionedOnline input-dim=200 output-dim=1000 alpha=4.0 num-samples-history=2000 update-period=4 rank-in=20 rank-out=80 max-change-per-sample=0.075 learning-rate=0.02 param-stddev=0.0316227766016838 bias-stddev=0.5
    PnormComponent input-dim=1000 output-dim=200 p=2
    NormalizeComponent dim=200

第二步，做 nnet-train-transitions ，完成转移概率的计算，该步骤计算的概率在 decoding 时 HMMs 中使用（神经网络中是不需要该概率的）。并计算 “targets（几千个 context-dependent 状态）” 的先验概率。接下来进行解码，分割这些通过网络计算得到的先验概率，得到pseudo-likelihoods。

d. 神经网络训练

本阶段进行关键步骤：神经网络训练。实际上就是 0 - num\_iters-1 次的循环，迭代次数 num\_iters 就是 每个 epoch 的迭代次数。训练 epochs 的次数 = num\_pochs(eg 15) + num\_epochs\_extra(eg 5)。每个 epoch 的迭代次数存储在 egs/nnet5d/egs/iters\_per\_epoch 中，具体大小依赖于并发的 job 个数和训练的数据量。一般的策略是：learning rate 从初始的 0.04，decrease rete 为 0.004，迭代15个epoch，最后5个 epoch 使用固定的 final\_learning\_rate 0.004。

在每个迭代中，首要任务是计算一些 diagnostics：即 训练与验证数据的目标函数（如，iteration 10, 可以查看对应的 egs/nnet5d/log/compute\_prob\_valid.10.log 和 egs/nnet5d/log/compute\_prob\_train.10.log）。在文件（eg: egs/nnet5d/log/progress.10.log）即可看到 iteration 10 对应的 diagnostics \[表示每层有多少个 parameters 变化，以及有多少训练数据目标函数的变化对每一层的变化有作用\]。

基本的并行方法：对数百个 samples 使用随机梯度下降来训练，在不同 job 中使用不同的数据，然后 average models。在参数中，目标函数不是凸函数。实践证明对于并行方法， "preconditioned update" 是非常重要的，而 average model 是没有作用的。

g. Final model combination

查看 exp/nnet4d/log/combine.log 文件可看到，final.mdl 是如何合成的。基本方法：减少方差估计的平均迭代次数。实际中，combine.log 不仅仅只利用参数的平均值，而使用 training-data examples 的 subset 来优化 weight set（不限制必需为正）。对于 subset 的目标函数为常用函数(eg: log-probability)，优化方法为 L-BFGS 和 特殊的预处理方法。each component and each iteration 含各自的 weilght。实践证明：使用 随机训练数据的 subset 效果会更好。

#> cat exp/nnet4d/log/combine.log
    <snip>
        Scale parameters are  [
      -0.109349 -0.365521 -0.760345
      0.124764 -0.142875 -1.02651
      0.117608 0.334453 -0.762045
      -0.186654 -0.286753 -0.522608
      -0.697463 0.0842729 -0.274787
      -0.0995975 -0.102453 -0.154562
      -0.141524 -0.445594 -0.134846
      -0.429088 -1.86144 -0.165885
      0.152729 0.380491 0.212379
      0.178501 -0.0663124 0.183646
      0.111049 0.223023 0.51741
      0.34404 0.437391 0.666507
      0.710299 0.737166 1.0455
      0.859282 1.9126 1.97164 ]
     
    LOG <snip> Combining nnets, objf per frame changed from -1.05681 to -0.989872
    LOG <snip> Finished combining neural nets, wrote model to exp/nnet4a2/final.mdl

如上所求，combination weights 被打印为矩阵格式，行：代表 iteration，列：代表相关 layer。combination weights  刚开始 negative，随后 postive，可以解释为趋于一次尝试模型进一步的方向。使用 training data 而不是 validation data，因为这样效果更好。

f. Mixing-up

可以使用如下工具打印 final.mdl 来分析

#> nnet-am-info exp/nnet4d/final.mdl
    num-components 11
    num-updatable-components 3
    left-context 4
    right-context 4
    input-dim 40
    output-dim 1483
    parameter-dim 1366000
    component 0 : SpliceComponent, input-dim=40, output-dim=360, context=4/4
    component 1 : FixedAffineComponent, input-dim=360, output-dim=360, linear-params-stddev=0.0386901, bias-params-stddev=0.0315842
    component 2 : AffineComponentPreconditioned, input-dim=360, output-dim=1000, linear-params-stddev=0.988958, bias-params-stddev=2.98569, learning-rate=0.004, alpha=4, max-change=10
    component 3 : PnormComponent, input-dim = 1000, output-dim = 200, p = 2
    component 4 : NormalizeComponent, input-dim=200, output-dim=200
    component 5 : AffineComponentPreconditioned, input-dim=200, output-dim=1000, linear-params-stddev=0.998705, bias-params-stddev=1.23249, learning-rate=0.004, alpha=4, max-change=10
    component 6 : PnormComponent, input-dim = 1000, output-dim = 200, p = 2
    component 7 : NormalizeComponent, input-dim=200, output-dim=200
    component 8 : AffineComponentPreconditioned, input-dim=200, output-dim=4000, linear-params-stddev=0.719869, bias-params-stddev=1.69202, learning-rate=0.004, alpha=4, max-change=10
    component 9 : SoftmaxComponent, input-dim=4000, output-dim=4000
    component 10 : SumGroupComponent, input-dim=4000, output-dim=1483
    prior dimension: 1483, prior sum: 1, prior min: 7.96841e-05
    LOG (nnet-am-info:main():nnet-am-info.cc:60) Printed info about baseline/exp/nnet4d/final.mdl

可以看到，在 outlayer 层之前有一层网络层(神经元节点数为4000)，而它的实际大小为 1483，因为决策树含有1483个叶子。

通过 SumGroupComponent，softmax层维度由4000减少到1483，可以使用如下命令查看

#> nnet-am-copy --binary=false baseline/exp/nnet4d/final.mdl - | grep SumGroup
    nnet-am-copy --binary=false baseline/exp/nnet4d/final.mdl -
    <SumGroupComponent> <Sizes> [ 6 3 3 3 2 3 3 3 2 3 2 2 3 3 3 3 2 3 3 3 3 \
    3 3 4 2 1 2 3 3 3 2 2 2 3 2 2 3 3 3 3 2 4 2 3 2 3 3 3 4 2 2 3 3 2 4 3 3 \
    <snip>
    4 3 3 2 3 3 2 2 2 3 3 3 3 3 1 2 3 1 3 2 ]

g. Tuning the number of jobs

通常，最有效的 minibatch size = threads 的倍数。learning rate 与相关 jobs 的数量有关系，一般地，如果增加 jobs 的数量，同时应该增加相同倍数的 learning rate 。原因如下：  
由于并行化方法是基于平行SGD运行的神经网络的平均，我们认为“有效学习率”  
整个学习过程的每个样本等于学习率除以工作数。 所以当工作量增加一倍时，  
如果我们将学习率提高一倍，我们就会保持“有效学习率”不变

h. Tuning the neural network training

h.1 Number of parameters(hidden layers and layer size)

对于 p-norm 网络，一般要求 -pnorm-input-dim 是 -pnorm-output-dim 的整数倍

h.2 Learning rates

h.3 Minibatch size

minibatch size 一般取 2 的次幂，eg: 128,256,512。

h.4 Max-change

用于限制，在每个 minibatch 允许多少个 parameters 能变化，-max-change 会使训练减慢

h.5 Number of epochs,etc

epochs 由 -num-epochs (default: 15) 和 -num-epochs-extra(default:5) 组成，-num-epochs 用于 learning rate 从 -initial-learning-rate 梯度下降到 -final-learning-rate 阶段，-num-epochs-extra 用于固定的 -final-learning-rate 阶段，

-num-iters-final 参数很重要，它决定了 final model combination 阶段的迭代次数。

h.6 Feature splicing width

用于控制将多少帧的特征组合成输入特征，该操作会影响到神经网络层的初始化，以及 examples 的产生。一般默认值为 4，表示的含义：以中间 frame 为轴，左右各四个 frame，共9帧为单位组合后做为输入(通常由 MFCC+splice+LDA+MLLT+fMLLR 组成的 40 维特征，splicing width = 4 是最优的，注意：LDA+MLLT特征基于 splice frame 左右两侧各4帧，也就是说从神经网络上看 splice frame 两侧的 7 、8 帧均影响 acoustic context )

40 维的由来:

MFCC/帧：13维

9帧：13\*9维

再LDA:40 维

h.7 Configuration values relating to the LDA transform

正如上面所说，此 LDA 并非标准的 LDA。传统的 LDA 中，数据需要经过 normalize，使得 within-class variance 为单位矩阵，经过变换后，总 variance (within plus between-class) 第 i 个的对角值为 1.0+b(i)，b(i) 具有数据依赖特性，根据 i 减少，between-class variance 为对角矩阵，而现在的 LDA 矩阵中每行乘以，其中，默认的 within-class-factor 为 0.0001，即 0.0001+b(i)，而非原来的 1.0+b(i)。

h.8 Other miscellaneous configuration values

对于 train\_tanh.sh，有一个优化选项 -shrink-interval(默认为 5)，含义为：多久做一次 model “shrinking”，就是说用一个小子集训练数据来优化一组尺度不同层的参数。

原文：https://blog.csdn.net/dearwind153/article/details/62044689

### Kaldi中如何使用已经训练好的模型进行语音识别ASR呢？ ###

Kaldi中有两个版本的online、online2分别是第一代、第二代，现在已经不维护online，转到online2了，但作为我们入门的，我建议还是选择online，由简入深嘛！！！

默认kaldi是不会编译online模块的，怎么让她理解我的意图呢？

\[houwenbin@localhost ~\]$ cd ~/kaldi-master/src

\[houwenbin@localhost src\]$ make ext -j 6

顺利编译出来~~~~  
语音识别就看egs/voxforge查看下面的run.sh

脚本自动去下载预训练模型：http://sourceforge.net/projects/kaldi/files/online-data.tar.bz2

我们输入：./run.sh --test-mode simulated就可以直接识别wav音频文件了！！！

深度学习项目：[https://blog.csdn.net/chinatelecom08/article/details/83654602][https_blog.csdn.net_chinatelecom08_article_details_83654602]