平安科技羅冬日:如何用RNN實現語音識別?| 分享總結

雷鋒網(公眾號：雷鋒網)AI研習社按：循環神經網絡（RNN）已經在眾多自然語言處理中取得了大量的成功以及廣泛的應用。但是，網上目前關於RNNs的基礎介紹很少，本文便是介紹RNNs的基礎知識，原理以及在自然語言處理任務重是如何實現的。文章內容根據雷鋒網AI研習社線上分享視頻整理而成。

在近期雷鋒網AI研習社的線上分享會上，來自平安科技的人工智慧實驗室的算法研究員羅冬日為大家普及了RNN的基礎知識，分享內容包括其基本機構，優點和不足，以及如何利用LSTM網絡實現語音識別。

羅冬日，目前就職於平安科技人工智慧實驗室，曾就職於百度、大眾點評，擔任算法研究員；中國科學院研究生院碩士，主要研究方向為語音識別，自然語言處理。

分享主題：循環神經網絡（RNN）基礎

主要內容：

• 普通RNN結構

• 普通RNN的不足

• LSTM單元

• GRU單元

• 採用LSTM實現語音識別的例子

RNN和CNN的區別

普通卷積神經網絡（CNN）處理的是「靜態」數據，樣本數據之間獨立，沒有關係。

循環神經網絡（RNN）處理的數據是「序列化」數據。 訓練的樣本前後是有關聯的，即一個序列的當前的輸出與前面的輸出也有關。比如語音識別，一段語音是有時間序列的，說的話前後是有關係的。

總結：在空間或局部上有關聯圖像數據適合卷積神經網絡來處理，在時間序列上有關聯的數據適合用循環時間網絡處理。但目前也會用卷積神經網絡處理語音問題， 或自然言語理解問題，其實也是把卷積神經網絡的計算方法用到這上面。

RNN 的基本結構和結構展開示意圖：

普通RNN的不足之處

首先是神經網絡裡面的計算，可以大致分為三類：函數合成，函數相加，加權計算。

在計算過程中，經常會用到激活函數，比如Sigmoid激活函數。殘差在往前傳播的過程中，每經過一個Sigmoid函數，就要乘以一個Sigmoid函數的導數值，殘差值至少會因此消減為原來的0.25倍。神經網絡每多一層，殘差往前傳遞的時候，就會減少至少3/4。如果層數太多，殘差傳遞到前面已經為0，導致前層網絡中國呢的參數無法更新，這就是梯度消失。

LSTM單元和普通RNN單元的區別

主要大的區別是，採用一個叫「細胞狀態（state）」的通道貫穿了整個時間序列。

通過精心設計的稱作「門」的結構來去除或增加信息到細胞狀態的能力。

"忘記門」

「輸入門」的打開關閉也是由當前輸入和上一個時間點的輸出決定的。

「輸出門」，控制輸出多少，最終僅僅會輸出確定輸出的那部分。

所有的公式匯總：

增加peephole的LSTM單元

讓幾個「門」的輸入數據除了正常的輸入數據和上一個時刻的輸出以外，再接受「細胞狀態」的輸入。

GRU單元

它是各種變種之一，將「忘記門」和「輸入們」合成了一個單一的「更新門」，同時還混合了細胞狀態和隱藏狀態。

接下來用RNN做一個實驗，給大家介紹一個簡單的語音識別例子：

關於LSTM+CTC背景知識

2015年，百度公開發布的採用神經網絡的LSTM+CTC模型大幅度降低了語音識別的錯誤率。採用這種技術在安靜環境下的標準普通話的識別率接近97%。

CTC是Connectionist Temporal Classification 的縮寫，詳細的論文介紹見論文「Connectionist Temporal Classification: Labelling Unsegmented Sequence Data with Recurrent Neural Networks」

CTC的計算實際上是計算損失值的過程，就像其他損失函數一樣，它的計算結果也是評估網絡的輸出值和真實差多少。

聲音波形示意圖

在開始之前，需要對原始聲波進行數據處理，輸入數據是提取過聲學特徵的數據，以幀長25ms、幀移10ms的分幀為例，一秒鐘的語音數據大概會有100幀左右的數據。

採用MFCC提取特徵，默認情況下一幀語音數據會提取13個特徵值，那麼一秒鐘大概會提取100*13個特徵值。用矩陣表示是一個100行13列的矩陣。

把語音數據特徵提取完之後，其實就和圖像數據差不多了。只不過圖像數據把整個矩陣作為一個整體輸入到神經網絡裡面處理，序列化數據是一幀一幀的數據放到網絡處理。

 如果是訓練英文的一句話，假設輸入給LSTM的是一個100*13的數據，發音因素的種類數是26(26個字母），則經過LSTM處理之後，輸入給CTC的數據要求是100*28的形狀的矩陣（28=26+2）。其中100是原始序列的長度，即多少幀的數據，28表示這一幀數據在28個分類上的各自概率。在這28個分類中，其中26個是發音因素，剩下的兩個分別代表空白和沒有標籤。

設計的基本網絡機構

原始的wav文件經過聲學特徵提取變成N*13，N代表這段數據有多長，13是每一幀數據有多少特徵值。N不是固定的。然後把N*13矩陣輸入給LSTM網絡，這裡涉及到兩層雙向LSTM網絡，隱藏節點是40個，經過LSTM網絡之後，如果是單向的，輸出會變成40個維度，雙向的就會變成80個維度。再經過全連接，對這些特徵值分類，再經過softmax計算各個分類的概率。後面再接CDC，再接正確的音素序列。

真實的語音識別環境要複雜很多。實驗中要求的是標準普通話和安靜無噪聲的環境。

如果對代碼講解（詳細代碼講解請點擊視頻）感興趣的話，可以複製連結中的代碼：https://github.com/thewintersun/tensorflowbook/tree/master/Chapter6

運行結果如下：

如果對開發內容感興趣，請關注雷鋒網公眾號：AI研習社。

雷鋒網原創文章，未經授權禁止轉載。詳情見轉載須知。