语音识别算法阅读之sFSMN-vFSMN

论文：

　　Feedforward Sequential Memory Networks:A New Structure to Learn Long-term Dependency
思想：
　　因为RNN类结构，包括LSTM，在训练时采用BPTT进行反向传播，容易引发梯度消失和爆炸的问题，造成训练不稳定；此外，RNN是一种时序依赖结构，使得其在训练时无法并行化计算，训练和预测效率不高；于是，本文提出了一种替代方案，前馈序列记忆网络FSMN，FSMN的启发来源于：任何一个无限脉冲响应IIR滤波器都可以通过一个高阶有限脉冲响应FIR滤波器进行近似代替；RNN结构中的循环层可以看做是一个一阶IIR，其理论上可以通过FIR进行近似替代；FSMN就是这样一个替代的FIR滤波器，在网络的隐层额外添加了作为FIR的前馈记忆模块，能够将上下文信息整合到固定长度的编码中，有效处理长时依赖问题；并且其上下文时序宽度可控，使得网络能够适应低计算和低延迟的场景需要。此外，网络是一种纯粹的前馈网络，训练时采用标准的BP，训练稳定且高效；该网络在语音识别和语言建模等序列数据建模领域取得了超过LSTM的效果和性能
模型：
　　FSMN模块中，隐层的输出一方面输入到下一个隐层，另一方面输入到前馈记忆模块中进行时序信息建模；最后两者的输出编码进行合并作为下一个隐层的输入；此外，根据编码系数的不同，FSMN结构又可分为scalar FSMN(sFSMN)和vectorized FSMN(vFSMN)；
　　FSMN结构可以看做由多个滤波器组成，每个滤波器对一个时序编码的信息过滤，最后将所有过滤后的时序编码进行加性组 合，能够将上下文时序依赖信息整合到固定长度的编码中，较好的对长时依赖进行建模。
  • sFSMN/vFSMN:sFSMN的编码系数为一个常数，也可以看做是一个与隐层编码等长且每个维度数值相同的常数向量；而vFSMN的编码系数采用向量化的系数，其每个维度数值不同，可以看做多个不同的维度滤波器组合而成，从而提升建模能力。假设t时刻l层的隐层输出为h(t,l)，那么相应的sFSMN和vFSMN的计算公式分别为：
单向sFSMN
单向vFSMN
　　上面为单向FSMN结构，即时序信息仅来自于N个历史时间步的隐层编码，扩展到双向FSMN结构为：
双向sFSMN
双向vFSMN

　　　　　N1，N2分别表示历史和未来的时间片个数

　　　最后，隐层输出和FSMN模块的输出进行组合输入到下一个隐层：
  • attention-based的FSMN：sFSMN和vFSMN都是与上下文时序信息无关的编码系数；因此，论文提出了一种与上下文相关的attention-based的FSMN结构，该结构可以自主学习当前时间片与每个上下文时间片的相关性程度，从而更好的对当前时刻进行建模和预测；不过从实际效果来看，attention-based的FSMN不如vFSMN结构
 
  • GPU计算加速：因为FSMN采用前馈结构，其计算可以转化为矩阵乘法运算，通过GPU进行加速；对于上下文宽度为N的单向记忆模块和N1，N2的双向记忆模块，可以表示为T*T的矩阵：
　　对每一个时间步的H，记忆模块的运算可以通过矩阵乘法得到：
　　H由整个输入序列组成，近一步扩展到一个mini-batch的k个序列，可得：
　　反向传播计算各参数的梯度如下：
 
 
 
　　其中，e ̃H为 ̃H的统计误差
训练：
  • 语音识别基线系统:
  1. 数据集：Switch-board (SWB)，309小时Switchboard-I和20小时Call Home；99.5％train 0.5％dev；测试集：Hub5e00 1831utts
  2. GMM-HMMs

　　　　　　39维PLPs+CMVN

　　　　　　HMM包含8991个建模状态(三音素)，每个状态40个高斯成分

　　　　　　训练：先MLE(最大似然估计)训练，然后MPE(最小音素错误)准则序列化训练

　　　　　　解码时采用3-gram LM

  1. DNN-HMMs[1]

　　　　　　123维log fbank，输入由上下文语音帧拼接而成(5+1+5)

　　　　　　6个隐层，每个隐层结点数2048，隐层激活函数为sigmoid或ReLU

　　　　　　训练由GMM-HMMs提供对齐，sigmoid DNN(DNN-1)采用RBM(玻尔兹曼机)预训练，ReLU DNN(DNN-2)采用随机初始化，然后统一采用交叉熵训练

  1. LSTMP-HMM[2]

　　　　　　123维fbank

　　　　　　3*LSTMP(2048-512)

　　　　　　训练策略采用截断的BPTT

  1. BLSTMP-HMM

　　　　　　123维fbank

　　　　　　3*BLSTMP(1024forward+1024backword,512)

　　　　　　训练策略采用截断的BPTT

  1. FSMN

　　　　　　sFSMN／vFSMN

　　　　　　　　123fbank,输入的上下文窗口为(1+1+1)

　　　　　　　　6*full_connected layer(2048,ReLU激活)

　　　　　　attention-based FSMN

　　　　　　　　39PLPs

　　　　　　　　6*full_connected layer(2048,ReLU激活)

　　　　　　　　历史和未来时间片长度均为40

  • 语言模型基线系统：
  1. 数据集：PTB；English wiki9
  2. PTB：

　　　　词汇表大小为10k，其余词汇映射为<UNK>

　　　　LSTM-LM[3]:1*LSTM

　　　　LSTM-LM:2*LSTM

　　　　s/vFSMN:1* linear layer(200)＋2*hidden layer(400)+ 第一个hidden layer连接单向记忆模块(历史时间片个数N＝20)

　　　　训练策略：SGD；mini-batch 200;初始学习率0.4；当dev的困惑度p降低为1时，继续训练6个epoch，每一个epoch的学习率降为上一个epoch 的1/2；momentum (0.9) /weight decay (0.00004)

  1. wiki9

　　　　词汇表大小为80k，其余词汇映射为<UNK>

　　　　n-gram:3-gram/5-gram,modified Kneser-Ney smoothing

　　　　RNN-LMs,1*LSTM(600)

　　　　FNN-LM/FOFE-LM[4]:1*linear layer(200)+3*hidden layer(600,ReLU);FNN_LM输入为one-hot特征，FOFE-LM输入为FOFE code特征

　　　　FSMN-LM：1*linear layer(200)+3*hidden layer(600,ReLU);单向记忆模块历史时间片个数N＝20

　　　　训练策略：SGD；mini-batch 500;初始学习率0.4；当dev的困惑度p降低为1时，继续训练6个epoch，每一个epoch的学习率降为上一个epoch 的1/2；无momentum/weight decay机制

实验结果：
  • 语音识别任务中，vFSMN取得了最好的识别结果；BLSTM结构的效果要好于sFSMN结构；同时FSMN结构要比BLSTM结构训练速度快3倍以上；
  • 对于双向FSMN，当N1=50，N2=50时，取得了最好的识别结果；从结果来看，并不是N1，N2越大识别效果越好，这表明当前帧仅仅只与有限范围内的上下文时序信息相关，更远范围内的时序信息对识别无用；此外，当设置未来时间片长度N2=10时，WER并没有损失太多，利用这一点可以有效的节约计算和降低输出延迟
  • 在本文实验中，attention-based FSMN相对于vFSMN而言，并没有带来识别效果的提升，反而有所下降(FACC,帧分类精度)
  • 无论在PTB还是在wiki9数据集上，相比于n-gram、RNN-LM、LSTM-LM、FOFE-LM,sFSMN和vFSMN的语言模型困惑度均最小，这证明了FSMN在语言模型方面的有效性；
 
  • 在语言模型方面，vFSMN跟sFSMN效果几乎相当，并没有语音识别领域那样的优势；论文作者通过可视化vFSMN的编码系数发现，其每个维度的系数大小非常相近，几乎等价于sFSMN；并且vFSMN和sFSMN的平均编码系数也非常相近，这间接证明了vFSMN跟sFSMN效果相当的原因
总结：
　　本文提出了一种前馈序列记忆网络FSMN，该网络具有如下特点：
  • 隐层包含序列记忆模块，该模块能够对上下文时序依赖信息进行建模；并且上下文时序宽度可以控制，从而节约计算和降低延迟；实验结果表明，FSMN相比于主流的BLSTM能够更好的对时序进行建模
  • 此外，FSMN是一种纯粹的前馈网络结构，支持并行化的矩阵运算，相比于BLSTM结构能够明显降低训练时间
Reference：
posted @ 2020-09-16 10:32  卑微的蜗牛  阅读(827)  评论(0)  编辑  收藏  举报