姓名：劉亞寧 ? ? 學(xué)號：17101223434

轉(zhuǎn)載自：https://www.leiphone.com/news/201712/6F577yaQueXAppZG.html稼钩，有刪節(jié)狞换。

【嵌牛導(dǎo)讀】：循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）已經(jīng)在眾多自然語言處理中取得了大量的成功以及廣泛的應(yīng)用。但是镶骗，網(wǎng)上目前關(guān)于RNNs的基礎(chǔ)介紹很少，本文便是介紹RNNs的基礎(chǔ)知識躲雅，原理以及在自然語言處理任務(wù)重是如何實現(xiàn)的鼎姊。文章內(nèi)容根據(jù)雷鋒網(wǎng)AI研習(xí)社線上分享視頻整理而成。

【嵌牛鼻子】：RNN相赁、語音識別相寇、人工智能

【嵌牛提問】：如何用循環(huán)神經(jīng)網(wǎng)絡(luò)實現(xiàn)語音識別？

【嵌牛正文】：在近期雷鋒網(wǎng)AI研習(xí)社的線上分享會上钮科，來自平安科技的人工智能實驗室的算法研究員羅冬日為大家普及了RNN的基礎(chǔ)知識唤衫，分享內(nèi)容包括其基本機構(gòu)，優(yōu)點和不足跺嗽，以及如何利用LSTM網(wǎng)絡(luò)實現(xiàn)語音識別战授。

羅冬日分享的RNN主要有：

普通RNN結(jié)構(gòu)

普通RNN的不足

LSTM單元

GRU單元

采用LSTM實現(xiàn)語音識別的例子

RNN和CNN的區(qū)別

普通卷積神經(jīng)網(wǎng)絡(luò)（CNN）處理的是“靜態(tài)”數(shù)據(jù)，樣本數(shù)據(jù)之間獨立桨嫁，沒有關(guān)系植兰。

循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）處理的數(shù)據(jù)是“序列化”數(shù)據(jù)。?訓(xùn)練的樣本前后是有關(guān)聯(lián)的璃吧，即一個序列的當(dāng)前的輸出與前面的輸出也有關(guān)楣导。比如語音識別，一段語音是有時間序列的畜挨，說的話前后是有關(guān)系的筒繁。

總結(jié)：在空間或局部上有關(guān)聯(lián)圖像數(shù)據(jù)適合卷積神經(jīng)網(wǎng)絡(luò)來處理，在時間序列上有關(guān)聯(lián)的數(shù)據(jù)適合用循環(huán)時間網(wǎng)絡(luò)處理巴元。但目前也會用卷積神經(jīng)網(wǎng)絡(luò)處理語音問題毡咏， 或自然言語理解問題，其實也是把卷積神經(jīng)網(wǎng)絡(luò)的計算方法用到這上面逮刨。

RNN 的基本結(jié)構(gòu)和結(jié)構(gòu)展開示意圖：

普通RNN不足之處

首先是神經(jīng)網(wǎng)絡(luò)里面的計算呕缭，可以大致分為三類：函數(shù)合成，函數(shù)相加修己，加權(quán)計算恢总。

在計算過程中，經(jīng)常會用到激活函數(shù)睬愤，比如Sigmoid激活函數(shù)片仿。殘差在往前傳播的過程中，每經(jīng)過一個Sigmoid函數(shù)尤辱，就要乘以一個Sigmoid函數(shù)的導(dǎo)數(shù)值砂豌，殘差值至少會因此消減為原來的0.25倍厢岂。神經(jīng)網(wǎng)絡(luò)每多一層，殘差往前傳遞的時候奸鸯，就會減少至少3/4咪笑。如果層數(shù)太多，殘差傳遞到前面已經(jīng)為0娄涩，導(dǎo)致前層網(wǎng)絡(luò)中國呢的參數(shù)無法更新窗怒，這就是梯度消失。

LSTM單元和普通RNN單元的區(qū)別

主要大的區(qū)別是蓄拣，采用一個叫“細(xì)胞狀態(tài)（state）”的通道貫穿了整個時間序列扬虚。

通過精心設(shè)計的稱作“門”的結(jié)構(gòu)來去除或增加信息到細(xì)胞狀態(tài)的能力。

"忘記門”

“輸入門”的打開關(guān)閉也是由當(dāng)前輸入和上一個時間點的輸出決定的球恤。

“輸出門”辜昵，控制輸出多少，最終僅僅會輸出確定輸出的那部分咽斧。

所有的公式匯總：

增加peephole的LSTM單元

讓幾個“門”的輸入數(shù)據(jù)除了正常的輸入數(shù)據(jù)和上一個時刻的輸出以外堪置，再接受“細(xì)胞狀態(tài)”的輸入。

GRU單元

它是各種變種之一张惹，將“忘記門”和“輸入們”合成了一個單一的“更新門”舀锨，同時還混合了細(xì)胞狀態(tài)和隱藏狀態(tài)。

接下來用RNN做一個實驗宛逗，給大家介紹一個簡單的語音識別例子：

關(guān)于LSTM+CTC背景知識

2015年坎匿，百度公開發(fā)布的采用神經(jīng)網(wǎng)絡(luò)的LSTM+CTC模型大幅度降低了語音識別的錯誤率。采用這種技術(shù)在安靜環(huán)境下的標(biāo)準(zhǔn)普通話的識別率接近97%雷激。

CTC是Connectionist Temporal Classification 的縮寫替蔬，詳細(xì)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(shù)一樣屎暇，它的計算結(jié)果也是評估網(wǎng)絡(luò)的輸出值和真實差多少承桥。

聲音波形示意圖

在開始之前，需要對原始聲波進(jìn)行數(shù)據(jù)處理根悼，輸入數(shù)據(jù)是提取過聲學(xué)特征的數(shù)據(jù)凶异，以幀長25ms、幀移10ms的分幀為例番挺，一秒鐘的語音數(shù)據(jù)大概會有100幀左右的數(shù)據(jù)。

采用MFCC提取特征屯掖，默認(rèn)情況下一幀語音數(shù)據(jù)會提取13個特征值玄柏，那么一秒鐘大概會提取100*13個特征值。用矩陣表示是一個100行13列的矩陣贴铜。

把語音數(shù)據(jù)特征提取完之后粪摘，其實就和圖像數(shù)據(jù)差不多了瀑晒。只不過圖像數(shù)據(jù)把整個矩陣作為一個整體輸入到神經(jīng)網(wǎng)絡(luò)里面處理，序列化數(shù)據(jù)是一幀一幀的數(shù)據(jù)放到網(wǎng)絡(luò)處理徘意。

如果是訓(xùn)練英文的一句話苔悦，假設(shè)輸入給LSTM的是一個100*13的數(shù)據(jù)，發(fā)音因素的種類數(shù)是26(26個字母）椎咧，則經(jīng)過LSTM處理之后玖详，輸入給CTC的數(shù)據(jù)要求是100*28的形狀的矩陣（28=26+2）。其中100是原始序列的長度勤讽，即多少幀的數(shù)據(jù)蟋座，28表示這一幀數(shù)據(jù)在28個分類上的各自概率。在這28個分類中脚牍，其中26個是發(fā)音因素向臀，剩下的兩個分別代表空白和沒有標(biāo)簽。

設(shè)計的基本網(wǎng)絡(luò)機構(gòu)

原始的wav文件經(jīng)過聲學(xué)特征提取變成N*13诸狭，N代表這段數(shù)據(jù)有多長券膀，13是每一幀數(shù)據(jù)有多少特征值。N不是固定的驯遇。然后把N*13矩陣輸入給LSTM網(wǎng)絡(luò)芹彬，這里涉及到兩層雙向LSTM網(wǎng)絡(luò)，隱藏節(jié)點是40個妹懒，經(jīng)過LSTM網(wǎng)絡(luò)之后雀监，如果是單向的，輸出會變成40個維度眨唬，雙向的就會變成80個維度会前。再經(jīng)過全連接，對這些特征值分類匾竿，再經(jīng)過softmax計算各個分類的概率瓦宜。后面再接CDC，再接正確的音素序列岭妖。

真實的語音識別環(huán)境要復(fù)雜很多临庇。實驗中要求的是標(biāo)準(zhǔn)普通話和安靜無噪聲的環(huán)境。

如果對代碼講解（詳細(xì)代碼講解請點擊視頻）感興趣的話昵慌，可以復(fù)制鏈接中的代碼：https://github.com/thewintersun/tensorflowbook/tree/master/Chapter6

運行結(jié)果如下：