聲學(xué)模型訓(xùn)練系統(tǒng)平臺設(shè)計(jì)和軟件實(shí)現(xiàn).pdf

1、語音識別是人工智能領(lǐng)域中的重要研究方向，現(xiàn)有的語音識別技術(shù)主要是基于海量語音數(shù)據(jù)背景下，通過機(jī)器學(xué)習(xí)的相關(guān)算法，得到相應(yīng)的訓(xùn)練結(jié)果，也就是聲學(xué)模型。但由于聲學(xué)模型訓(xùn)練所需的語音數(shù)據(jù)的數(shù)據(jù)量巨大，所以語音數(shù)據(jù)的存儲和聲學(xué)模型的訓(xùn)練速度便顯得尤為重要。
　　論文選題來源于百度網(wǎng)絡(luò)技術(shù)有限公司語音技術(shù)部的實(shí)際項(xiàng)目聲學(xué)模型訓(xùn)練系統(tǒng)平臺。在該平臺投入使用之前，部門的聲學(xué)模型訓(xùn)練主要是依靠一套偽分布式系統(tǒng)平臺，其采用一主多從，硬盤串聯(lián)的組織形

2、式來實(shí)現(xiàn)語音數(shù)據(jù)的存儲和訓(xùn)練算法的并行計(jì)算，并以此來提高聲學(xué)模型的訓(xùn)練速度。但是之前的系統(tǒng)平臺在實(shí)際應(yīng)用之中，無論是聲學(xué)模型的訓(xùn)練速度還是并行計(jì)算容錯處理等方面并不十分理想。另外，原有系統(tǒng)平臺只能完成聲學(xué)模型訓(xùn)練的任務(wù)，而在線語音數(shù)據(jù)的存儲，及后續(xù)的語音標(biāo)注都需要其他系統(tǒng)來完成。這為聲學(xué)模型的訓(xùn)練及語音產(chǎn)品線的服務(wù)都帶來不少的不便。
　　論文的主要目的便是設(shè)計(jì)并實(shí)現(xiàn)一套新的聲學(xué)模型訓(xùn)練的系統(tǒng)平臺，在保證訓(xùn)練出來的聲學(xué)模型準(zhǔn)確率不下

3、降的基礎(chǔ)之上，提高模型的訓(xùn)練速度和改善并行計(jì)算時的容錯處理。另外，該平臺還將在線語音數(shù)據(jù)存儲的功能整合其中，并為語音標(biāo)注系統(tǒng)提供友好高效的接口。使其形成一個功能相對完善，便于使用管理的綜合系統(tǒng)平臺。
　　在提高模型的訓(xùn)練速度和改善并行計(jì)算時的容錯處理方面，主要是想依靠Hadoop平臺及其所實(shí)現(xiàn)的MapReduce編程框架。由于Hadoop平臺所使用的計(jì)算資源為CPU，而聲學(xué)模型訓(xùn)練算法所使用的計(jì)算資源為GPU，所以本文將探究實(shí)驗(yàn)H

4、adoop加GPU的聯(lián)合。
　　在整合在線語音存儲功能方面，將Hadoop的文件系統(tǒng)(HDFS)與MySQL聯(lián)合使用，改變了以往存儲時單一使用MySQL，造成存儲性能不佳，存儲壓力對于MySQL過大的情況，使HDFS和MySQL都能發(fā)揮出其優(yōu)勢。
　　另外，整合后的系統(tǒng)平臺還為語音標(biāo)注系統(tǒng)提供了友好高效的接口，并使得標(biāo)注后的語音數(shù)據(jù)，不用再費(fèi)時費(fèi)力轉(zhuǎn)移到專門用于模型訓(xùn)練的機(jī)器之上，在本地集群即可完成訓(xùn)練。
　　論文所述