语音识别算法阅读之SpeechTransformer(large mandarin)

论文：

　　THE SPEECHTRANSFORMER FOR LARGE-SCALE MANDARIN CHINESE SPEECH RECOGNITION

思想：

　　在speechTransformer基础上进行三点改进，

　　1）降低帧率，缩短声学特征的时序长度，在大规模语音数据训练时提升计算效率；

　　2）decoder输入采样策略，如果训练时，decoder部分输入全部采用label，而预测时decoder部分为前一时刻预测输出，这样训练和预测之间会存在一定的偏差，为缓解该问题，在训练decoder时，以一定的采样概率决定该时刻decoder输入是否采用前一时刻的预测输出；

　　3）Focal Loss，因为模型是以字符为建模单元的，在训练语料中很难保证每个字符的出现频率基本相近，相反字符之间可能存在较大的频次差异，这就会导致类别之间的不均衡问题，为缓解该问题，在计算loss时，对于分类概率大的样本进行降权，对分类概率小的样本进行升权，这样会使得模型更加关注被误分类的hard样本；

模型：

　　模型整体框架采用的即是transformer的encoder-decoder形式，主要包含几个模块

• multi-head attention模块，该模块是一种非循环的attention机制，思想有些类似于模型融合，即先将输入声学特征转换到多个不同的attention子空间分别学习特征表达，然后再将各个子空间的输出进行拼接，得到具有较高特征表达能力的encoder
• feed-forward network,前馈网络由一到两层全连接组成，全连接激活函数ReLU
• resnet connection，在每个multi-head attention模块和feed-forward network的输出位置条件添加resnet connection，保证浅层信息传播和训练稳定性
• Layer norm，在每个multi-head attention模块和feed-forward network的输入之间添加Layer norm，归一化输入的分布，保证训练稳定性
• 位置编码，对encoder和decoder的输入进行位置编码add操作，引入绝对位置和相对位置信息，缓解attention对于时间顺序和位置信息的不敏感性

tricks：

• 低帧率，对特征提取后的frames进行降采样，原始帧率为100hz，每帧10ms，降采用后的帧率为16.7hz，每帧60ms，在大规模语音识别，尤其对于长时语音输入，降低帧率到合适的大小，在几乎不影响精度的同时，可加快计算效率

　上图，对应采样因子为4，那么采样后的帧率为100/n＝25hz，每帧1000/25=40ms

• deocder输入采样，如果decoder在训练时输入完全采用label对应编码作为输入，而预测时deocder输入为上一时刻预测输出，这样造成训练和预测之间会存在一定的偏差，为缓解该问题，可以以一定的概率决定在该时刻是否采用上一时刻的预测输出作为deocder输入；此外，因为模型在训练初始阶段，预测能力较差，所以预测不够准确，以此做为decoder输入可能影响模型训练稳定性，所以，在训练初始阶段采用较小的采样概率，而在训练中后期时采用较大的采样概率；概率的变化趋势有如下三种选择：

　其中， 0 < ε_max ≤ 1，Nst为采样开始的step，Ned为采样概率达到max的ε_step，i为当前step，ε_(i)为当前的采样概率

• Focal Loss，模型是以字符为建模单元时，训练语料中很难保证每个字符的出现频率可能相差很大，导致类别之间的不均衡问题，为缓解该问题，在计算loss时，对于分类概率大的样本进行降权，对分类概率小的样本进行升权，这样会使得模型更加关注被误分类的hard样本；

　　　上式中，γ 属于 [0, 5],对于pt较大的类别，其在损失中的权重项越小，比如当p_t＝0.9时，γ＝2，那么其权重缩小了(1-0.9)^2=1/100,反之，预测概率越小，其权重越大；该策略使得模型训练更关注被误分类的样本

训练：

• 训练数据集：8000小时中文普通话数据
• 验证集：aishell-1 dev 14326utts
• 测试集：aishell-1 test 7176utts；LiveShow：5766utts；voiceComment：5998utts
• baseline：TDNN-LSTM,7*TDNN(1024)+3*LSTMP(1024-512)+4-gram LM
• 输入特征：40 MFCCs，global CMVN,batch_size=512
• 输出单元：5998中文字符＋<UNK>+<PAD>+<S>+<\S>=6002
• speechTransformer模型参数:6*encoder+4*decoder,dmodel=512,head=16
• 优化方法：Adam，β₁ = 0.9, β₂ = 0.98, ε = 10⁻⁹
• 学习率：n是迭代次数，k为可学习缩放因子，学习率在前warmup_n迭代步数线性上升，在n^-0.5迭代次数时停止下降
• 

• 标签平滑策略[1]：降低正确分类样本的置信度，提升模型的自适应能力，ε=0.2

 

其中，H为cross-entropy,ε为平滑参数，K为输出类别数，δ_k,y＝1 for k=y and 0 otherwise

• 模型训练后，以最后15个保存的模型的平均参数，做为最终模型
• 验证时，beam search的beam width＝3，字符长度惩罚α = 0.6

实验结果：

• speechTransformer与TDNN-LTSTM混合系统在几个测试集上性能相近；具体地，在aishell-1 test/dev和voiceCom上略差于混合系统；在liveshow上略优于混合系统；
• 降低帧率时，识别效果呈现先上升后下降的趋势，当帧率＝17.6hz，即60ms每帧时，在提升计算效率的同时，得到最佳的识别效果

• 三种decoder输入采用中，线性采样的效果最好，并且采样概率在训练初始阶段稍小，而在训练后期阶段稍大

• Focal Loss的应用可以对识别效果带来进一步的提升

结论：

　　在speechTransformer基础上进行一系列的改进，1）低帧率，提升计算效率；2）decoder输入采样减少训练和预测偏差，以一定概率决定是否采样前一时刻预测输出作为输入；3）Focal Loss，缓解字符类别之间的数据不均衡问题；实验结果表明，三者均可以对模型效果带来提升，相比于speechTransformer提升幅度在10.8％～26.1%；相比于TDNN-LSTM混合系统提升12.2%～19.1%

实战：https://github.com/kaituoxu/Speech-Transformer

　　环境：python3/pytorch>=0.4.1/kaldi

　　模型参数：

• 特征维度80，帧率100/3=33.3hz
• 6*encoder＋6*decoder；
• d_model＝512；
• head nums＝8；
• feed-forward network hidden size=2048;
• decoder embedding=512;

　　训练参数：

• 数据集：aishell train／dev／test
• epoch=30
• batch size=32
• 学习率：可调缩放因子k＝1，学习率线性上升迭代次数warmup_steps＝4000
• 优化方法：adam，β₁ = 0.9, β₂ = 0.98, ε = 10⁻⁹
• beam search解码：beam width＝1

　　实验效果：aishell1 test cer:12.8％

Reference:

[1] https://arxiv.org/pdf/1512.00567.pdf

[2] http://150.162.46.34:8080/icassp2019/ICASSP2019/pdfs/0007095.pdf