• 在基于字符的 RNN 上应用说话模型
• 应用卷积神经收集(CNN)大年夜音频中获取特点
• 应用多个 RNN 模型组合

荣幸的是，当应用神经收集进行语音辨认时，经由过程能进行字级转录的连接时光分类(Connectionist Temporal Classification，CTC)目标函数，我们可以丢弃音素的概念。简单地说，CTC 可以或许计算多个序列的概率，而序列是语音样本中所有可能的字符级转录的集合。神经收集应用目标函数来最大年夜化字符序列的概率(即选择最可能的转录)，随后把猜测结不雅与实际进行比较，计算猜测结不雅的误差，以在练习中赓续更新收集权重。

值得留意的是，在以前几十年迈传统语音辨认模型获得的研究结不雅，在今朝的深度进修语音辨认模型中仍然扮演着本身的角色。

修改自: A Historical Perspective of Speech Recognition, Xuedong Huang, James Baker, Raj Reddy Communications of the ACM, Vol. 57 No. 1, Pages 94-103, 2014

八、练习你的第一个 RNN 模型

当练习这些示例数据时，你会很快留意到练习数据的词错率(WER)会产生过拟合，而在测试和开辟集中词错率则有 85% 阁下。词错率不是 100% 的原因在于每个字母有 29 种可能性(a-z、逗号、空格和空白)，神经收集很快就能学会：

• 某些字符(e，a，空格，r，s，t)比其他的更常见
• 辅音-元音-子所以英文的构词特点
• MFCC 输入声音旌旗灯号振幅特点的增长只与字母 a-z 有关

应用 Github 中默认设置的练习结不雅如下：

如不雅你想练习一个更强大年夜的模型，你可以添加额外的.wav 和.txt 文件到这些文件夹里，或创建一个新的文件夹，并更新 configs / neural_network.ini 的文件夹地位。留意：几百小时的音频也须要大年夜量时光来进行练习，即使你有一块强大年夜的 GPU。

【编辑推荐】

1. 分布式机械进修平台大年夜比拼：Spark、PMLS、TensorFlow、MXNet
2. 若何用深度进修练习一个像你一样会聊天的机械人？
3. 处理移动端传感器时序数据的深度进修框架：DeepSense
4. 调试神经收集让人抓狂？这有16条锦囊妙计送给你
5. 应用TENSORFLOW练习轮回神经收集说话模型

【义务编辑：庞桂玉 TEL：（010）68476606】

　　推荐阅读

　　剧透害死猫，黑客利用剧透文件传播病毒!

7月底，黑客大年夜HBO那盗走了《权力的游戏》资本，并在本月初放出泄漏片段。收集安然公司Proofpoint宣布了一份申报，称有人应用泄漏的《权力的游戏》资本来引导用户下载恶意软件，内含RA>>>详细阅读

本文标题：如何使用TensorFlow构建、训练和改进循环神经网络

地址：http://www.17bianji.com/lsqh/37006.html

 1/2    1