解析深度學(xué)習(xí)：語音識(shí)別實(shí)踐

作者及譯者簡介  譯者序  序  前言  術(shù)語縮寫  符號(hào)  1簡介  1.1自動(dòng)語音識(shí)別：更好的溝通之橋  1.1.1人類之間的交流  1.1.2人機(jī)交流  1.2語音識(shí)別系統(tǒng)的基本結(jié)構(gòu)  1.3全書結(jié)構(gòu)  1.3.1第一部分：傳統(tǒng)聲學(xué)模型  1.3.2第二部分：深度神經(jīng)網(wǎng)絡(luò)  1.3.3第三部分：語音識(shí)別中的DNN—HMM混合系統(tǒng)  1.3.4第四部分：深度神經(jīng)網(wǎng)絡(luò)中的特征表示學(xué)習(xí)  1.3.5第五部分：高級(jí)的深度模型  第一部分傳統(tǒng)聲學(xué)模型  2混合高斯模型  2.1隨機(jī)變量  2.2高斯分布和混合高斯隨機(jī)變量  2.3參數(shù)估計(jì)  2.4采用混合高斯分布對(duì)語音特征建模  3隱馬爾可夫模型及其變體  3.1介紹  3.2馬爾可夫鏈  3.3序列與模型  3.3.1隱馬爾可夫模型的性質(zhì)  3.3.2隱馬爾可夫模型的仿真  3.3.3隱馬爾可夫模型似然度的計(jì)算  3.3.4計(jì)算似然度的高效算法  3.3.5前向與后向遞歸式的證明  3.4期望最大化算法及其在學(xué)習(xí)HMM參數(shù)中的應(yīng)用  3.4.1期望最大化算法介紹  3.4.2使用EM算法來學(xué)習(xí)HMM參數(shù)—Baum—Welch算法  3.5用于解碼HMM狀態(tài)序列的維特比算法  3.5.1動(dòng)態(tài)規(guī)劃和維特比算法  3.5.2用于解碼HMM狀態(tài)的動(dòng)態(tài)規(guī)劃算法  3.6隱馬爾可夫模型和生成語音識(shí)別模型的變體  3.6.1用于語音識(shí)別的GMM—HMM模型  3.6.2基于軌跡和隱藏動(dòng)態(tài)模型的語音建模和識(shí)別  3.6.3使用生成模型HMM及其變體解決語音識(shí)別問題  第二部分深度神經(jīng)網(wǎng)絡(luò)  4深度神經(jīng)網(wǎng)絡(luò)  4.1深度神經(jīng)網(wǎng)絡(luò)框架  4.2使用誤差反向傳播來進(jìn)行參數(shù)訓(xùn)練  4.2.1訓(xùn)練準(zhǔn)則  4.2.2訓(xùn)練算法  4.3實(shí)際應(yīng)用  4.3.1數(shù)據(jù)預(yù)處理  4.3.2模型初始化  4.3.3權(quán)重衰減  4.3.4丟棄法  4.3.5批量塊大小的選擇  4.3.6取樣隨機(jī)化  4.3.7慣性系數(shù)  4.3.8學(xué)習(xí)率和停止準(zhǔn)則  4.3.9網(wǎng)絡(luò)結(jié)構(gòu)  4.3.10可復(fù)現(xiàn)性與可重啟性  5高級(jí)模型初始化技術(shù)  5.1受限玻爾茲曼機(jī)  5.1.1受限玻爾茲曼機(jī)的屬性  5.1.2受限玻爾茲曼機(jī)參數(shù)學(xué)習(xí)  5.2深度置信網(wǎng)絡(luò)預(yù)訓(xùn)練  5.3降噪自動(dòng)編碼器預(yù)訓(xùn)練  5.4鑒別性預(yù)訓(xùn)練  5.5混合預(yù)訓(xùn)練  5.6采用丟棄手法的預(yù)訓(xùn)練  第三部分語音識(shí)別中的深度神經(jīng)網(wǎng)絡(luò)一隱馬爾可夫混合模型  6深度神經(jīng)網(wǎng)絡(luò)—隱馬爾可夫模型混合系統(tǒng)  6.1DNN—HMM混合系統(tǒng)  6.1.1結(jié)構(gòu)  6.1.2用CD—DNN—HMM解碼  6.1.3CD—DNN—HMM訓(xùn)練過程  6.1.4上下文窗口的影響  6.2CD—DNN—HMM的關(guān)鍵模塊及分析  6.2.1進(jìn)行比較和分析的數(shù)據(jù)集和實(shí)驗(yàn)  6.2.2對(duì)單音素或者三音素的狀態(tài)進(jìn)行建模  6.2.3越深越好  6.2.4利用相鄰的語音幀  6.2.5預(yù)訓(xùn)練  6.2.6訓(xùn)練數(shù)據(jù)的標(biāo)注質(zhì)量的影響  6.2.7調(diào)整轉(zhuǎn)移概率  6.3基于KL距離的隱馬爾可夫模型  7訓(xùn)練和解碼的加速  7.1訓(xùn)練加速  7.1.1使用多GPU流水線反向傳播  7.1.2異步隨機(jī)梯度下降  7.1.3增廣拉格朗日算法及乘子方向交替算法  7.1.4減小模型規(guī)模  7.1.5其他方法  7.2加速解碼  7.2.1并行計(jì)算  7.2.2稀疏網(wǎng)絡(luò)  7.2.3低秩近似  7.2.4用大尺寸DNN訓(xùn)練小尺寸DNN  7.2.5多幀DNN  8深度神經(jīng)網(wǎng)絡(luò)序列鑒別性訓(xùn)練  8.1序列鑒別性訓(xùn)練準(zhǔn)則  8.1.1最大相互信息  8.1.2增強(qiáng)型MMI  8.1.3最小音素錯(cuò)誤／狀態(tài)級(jí)最小貝葉斯風(fēng)險(xiǎn)  8.1.4統(tǒng)一的公式  8.2具體實(shí)現(xiàn)中的考量  8.2.1詞圖產(chǎn)生  8.2.2詞圖補(bǔ)償  8.2.3幀平滑  8.2.4學(xué)習(xí)率調(diào)整  8.2.5訓(xùn)練準(zhǔn)則選擇  8.2.6其他考量  8.3噪聲對(duì)比估計(jì)  8.3.1將概率密度估計(jì)問題轉(zhuǎn)換為二分類設(shè)計(jì)問題  8.3.2拓展到未歸一化的模型  8.3.3在深度學(xué)習(xí)網(wǎng)絡(luò)訓(xùn)練中應(yīng)用噪聲對(duì)比估計(jì)算法  第四部分深度神經(jīng)網(wǎng)絡(luò)中的特征表示學(xué)習(xí)  9深度神經(jīng)網(wǎng)絡(luò)中的特征表示學(xué)習(xí)  9.1特征和分類器的聯(lián)合學(xué)習(xí)  9.2特征層級(jí)  9.3使用隨意輸入特征的靈活性  9.4特征的魯棒性  9.4.1對(duì)說話人變化的魯棒性  9.4.2對(duì)環(huán)境變化的魯棒性  9.5對(duì)環(huán)境的魯棒性  9.5.1對(duì)噪聲的魯棒性  9.5.2對(duì)語速變化的魯棒性  9.6缺乏嚴(yán)重信號(hào)失真情況下的推廣能力  10深度神經(jīng)網(wǎng)絡(luò)和混合高斯模型的融合  10.1在GMM—HMM系統(tǒng)中使用由DNN衍生的特征  10.1.1使用Tandem和瓶頸特征的GMM—HMM模型  10.1.2DNN—HMM混合系統(tǒng)與采用深度特征的GMM—HMM系統(tǒng)的比較  10.2識(shí)別結(jié)果融合技術(shù)  10.2.1識(shí)別錯(cuò)誤票選降低技術(shù)（ROVER）  10.2.2分段條件隨機(jī)場(chǎng)（SCARF）  10.2.3最小貝葉斯風(fēng)險(xiǎn)詞圖融合  10.3幀級(jí)別的聲學(xué)分?jǐn)?shù)融合  10.4多流語音識(shí)別  11深度神經(jīng)網(wǎng)絡(luò)的自適應(yīng)技術(shù)  11.1深度神經(jīng)網(wǎng)絡(luò)中的自適應(yīng)問題  11.2線性變換  11.2.1線性輸入網(wǎng)絡(luò)  11.2.2線性輸出網(wǎng)絡(luò)  11.3線性隱層網(wǎng)絡(luò)  11.4保守訓(xùn)練  11.4.1L2正則項(xiàng)  11.4.2KL距離正則項(xiàng)  11.4.3減少每個(gè)說話人的模型開銷  11.5子空間方法  11.5.1通過主成分分析構(gòu)建子空間  11.5.2噪聲感知、說話人感知及設(shè)備感知訓(xùn)練  11.5.3張量  11.6DNN說話人自適應(yīng)的效果  11.6.1基于KL距離的正則化方法  11.6.2說話人感知訓(xùn)練  ……  第五部分先進(jìn)的深度學(xué)習(xí)模型  參考文獻(xiàn)