语音识别算法阅读之DFSMN

论文：
思想：
　　对于大词汇量语音识别，往往需要更深的网络结构，但是当FSMN[1]或cFSMN[2]的结构很深时容易引发剃度消失和爆炸问题；于是本文对cFSMN结构进一步改进，对序列记忆模块之间引入skip-connection,保证信息在更深的层之间传播，缓解剃度消失和爆炸的问题；此外，语音相邻帧之间会存在一定的信号重叠，带来了一定的冗余信息，论文在序列记忆模块引入stride，通过设置合适的stride来跨帧建模，减少了冗余信息；实验结果表明，DFSMN通过skip-connection能够更好的利用深度结构来提升识别效果；尤其是在低帧率情况下，相对于BLSTM具有更加明显的优势。
模型：论文在cFSMN基础上，对序列记忆模块之间引入skip-connection，从而能够利用较深的网络结构；从整体上看，DFSMN仍然是纯粹的前馈网络；
  • 隐藏层：全连接结构，激活函数ReLU
  • 线性映射层：低秩的线性映射矩阵，相当于无激活的全连接
  • 序列记忆模块：包含三部分，一部分来源于上一层序列记忆模块的输出；第二部分来源于线性映射层的输出；第三部分即本层的FSMN结构，对历史和未来的时序信息进行建模，整合成固定维度的编码；三部分相加之后经过线性映射输入到下一层隐藏层
　s1和s2分别为历史和未来时间步的跳跃步长stride，采样跳帧建模来去除相邻帧之间的冗余信息
　H为映射函数，一般采样恒等映射
　序列记忆模块的延迟τ计算公式为：
　L为网络中序列记忆模块的层数，N2为未来的时间片长度，s2为跨帧步长，因延迟只于未来的时间片有关，所以延迟计算与历史时序无关
训练：
  • 数据集：
  1. 英文：Switchboard (SWB) and Fisher (FSH) 2000h；测试集：Hub5e00 1831utts；采样率8k；输入特征72维fbank(24fbank+1阶差分+2阶差分)
  2. 中文：20000h，采样率16k，输入特征80维log fbank
  • 英文基线系统：
  1. 输入特征：72fbank
  2. DNN-HMM

　　　　输入特征的上下文窗(7+1+7)

　　　　6*hidden layer(2048,ReLU)

  1. BLSTM-HMM

　　　　3*BLSTMP(1024forward，1024backward，512线性映射)

  1. cFSMN

　　　　3*72-4×[2048-512(20,20)]-3×2048-512-9004；4层cFSMN(2048全连接(ReLU)+512线性映射+历史和未来时间片长度20)，3层全连接(2048，ReLU),1层线性映射层，输出单元9004

  1. DFSMN

　　　　3*72-Nf×[2048-512(N1;N2;s1;s2)]-Nd×2048-512-9004;Nf和Nd分别表示cFSMN和全连接层数，N1，N2，s1，s2分别代表历史时间片个数、未来时间片个数、历史跨帧步长、未来跨帧步长；其中N1=N2=20，Nd＝3固定

  1. 训练策略：学习率0.00001，momentum0.9；DNN，DFSMN mini-batch 4096；BLSTM mini-batch 16
  • 中文基线系统(5000h)
  1. 输入特征：80维fbank
  2. 低帧率：30ms/帧
  3. LFR-CD-LCBLSTM-HMM

　　　　3*BLSTM(500forward+500backward)+2全连接(2048,ReLU)+softmax

　　　　建模单元：CD-state

　　　　　　Nc= 80、Nr= 40

　　　　　　输入特征的上下文窗(0+1+0)

　　　　建模单元：CD-phone

　　　　　　Nc= 27、Nr= 13

　　　　输入特征的上下文窗(8+1+8)

注:在LCBLSTM[3]，语音按照chunks进行非重叠切分, Nc代表当前chunks的连续语音帧数、Nr表示Nc后的未来连续语音帧数，用来完成第Nc帧的反向LSTM memory cell state初始化
  1. LFR-cFSMN:

　　　　3*80-Nf×[2048-512(20,20)]-2×2048-512；Nf＝6或8或10

　　　　建模单元：CD-state

　　　　　　输入特征的上下文窗(1+1+1)

　　　　建模单元：CD-phone

　　　　　　输入特征的上下文窗(5+1+5)

  1. LFR-DFSMN：

　　　　　　11∗80-Nf×[2048-512(N1;N2;s1;s2)]-Nd×2048-512-9841；N1= 10,N2=5,s1= 2,s2= 2,Nd= 2；Nf＝8或10

  1. 建模单元：上下文状态(14359)／上下文音素(9841)
  • 中文基线系统(20000h)
  1. LFR-DFSMN

　　　　　　11*80−10×[2048−512(5;N2; 2; 1)]-2×2048-512-9841;

  1. LFR-LCBLSTM

　　　　　　Nc= 27、Nr= 13

　　　　　　3*BLSTM(500forward+500backward)+2全连接(2048,ReLU)+softmax

实验结果：
  • DFSMN结构能够较好的利用深度结构，当网络层数增加时，模型的识别效果能够进一步提升；此外，当模型深度达到一定程度时(cFSMN=8)，继续增加模型深度，效果提升不明显，但并没有出现下降的情况，也间接证明了skip-connection能够在深度结构中缓解剃度消失和爆炸问题
  • 在Switchboard英文数据集上，模型参数类似情况下，DFSMN取得了最好的识别结果
  • 在5000小时低帧率(30ms/帧)中文识别任务中，当DFSMN采样上下文音素作为建模单元时取得了最好的识别结果，相比于以上下文状态作为建模单元的基线系统LCBLSTM带来了20%的效果提升；另外，从实验结果看，以上下文音素作为建模单元要优于上下文状态
  • 在模型训练速度方面，LFR-DFSMN相比于LRF-LCBLSTM可以实现3倍以上的训练加速；同时拥有更好的识别结果
  • 对于LFR-DFSMN，减少序列记忆模块中未来时间片的个数和跨帧步长，能够降低输出延迟时间，当输出延迟降低时会造成字错率的轻微上升；当输出延迟为5帧(5*30=150ms)时，相比于LRF-LCBLSTM依然拥有16.64％的绝对识别效果提升；以上表明，LFR-DFSMN系统能够在较低延迟的情况下，取得了较好的识别结果，能够较好的满足流式语音识别的要求

总结：

　　本文提出了一种深度的cFSMN网络，该网络在cFSMN之间引入skip-connection，从而能够较好的利用较深的网络结构来提升模型识别效果；此外，序列记忆模块在进行时序建模时，论文引入了跳帧上下文时序建模，能够有效去除相邻帧之间的冗余；实验结果表明，相比于LCBLSTM，DFSMN结构能够在低帧率和低延迟的情况下，依然能够取得17%左右的效果提升；同时训练速度方面提升3倍以上
Reference：
posted @ 2020-09-16 21:51  卑微的蜗牛  阅读(2855)  评论(0)  编辑  收藏  举报