訓練自動語音識別（ ASR ）模型的損失函數(shù)并不是一成不變的。舊的損失函數(shù)規(guī)則不一定是最優(yōu)的?？紤]一下 connectionist temporal classification （ CTC ），看看改變它的一些規(guī)則如何能夠減少 GPU 內(nèi)存，這是訓練和推斷基于 CTC 的模型所需的內(nèi)存，等等。

聯(lián)結(jié)主義時間分類綜述

若你們要訓練一個 ASR 模型，無論是卷積神經(jīng)網(wǎng)絡還是遞歸神經(jīng)網(wǎng)絡、transformer 還是組合，你們很可能是用 CTC 損失訓練它。

CTC 簡單方便，因為它不需要每幀關于“什么聲音何時發(fā)音”（所謂的音頻文本時間對齊）的信息。在大多數(shù)情況下，這種知識是不可用的，就像在一個典型的 ASR 音頻數(shù)據(jù)集中，關聯(lián)文本沒有時間標記。

真正的時間校準并不總是微不足道的。假設大部分錄音沒有講話，結(jié)尾只有一個簡短短語。 CTC 損失并不能告訴模型何時準確地發(fā)出預測。相反，它允許每一種可能的對齊，并且只調(diào)整這些對齊的形式。

下面是 CTC 如何管理所有可能的方式來將音頻與文本對齊。

首先，對目標文本進行標記化，即將單詞切成字母或單詞片段。結(jié)果單元的數(shù)量（無論它們是什么）應小于音頻“時間段”的數(shù)量：長度為 0.01 到 0.08 秒的音頻段。

如果時間段少于單位，則算法失敗。在這種情況下，你應該縮短時間。否則，只有 RNN 傳感器可以挽救您。如果時間框架與單位一樣多，那么只能有一個對齊（百萬分之一的情況）。

大多數(shù)時候，時間段比單位要長得多，因此一些幀沒有單位。對于這種空幀， CTC 有一個特殊的 單元。本單元告訴您，在這個特定的框架下，模型沒有任何內(nèi)容可以提供給您。這可能是因為沒有演講，或者模型太懶，無法預測有意義的東西。 CTC 最重要的規(guī)則 提供了如果模型不想做什么也不能預測的能力。

其他規(guī)則與單元延續(xù)有關。假設您的單元是一個持續(xù)時間超過一幀的元音。模型應在兩幀中的哪一幀上輸出單元？ CTC 允許在多個連續(xù)幀上進行相同的單位發(fā)射。但是，應該將相同的連續(xù)單元合并為一個單元，以將識別結(jié)果轉(zhuǎn)換為一系列類似文本的單元。

現(xiàn)在，如果標記化文本本身包含相同的重復單位，如“ ll ”或“ pp ”，該怎么辦？如果不進行處理，這些單元將合并為一個單元，即使它們不應該合并。對于這種特殊情況， CTC 有一條規(guī)則，如果目標文本有重復的單位，那么在推理過程中這些單位必須用 分隔。

綜上所述，在幾乎每一幀中，模型都可以從上一幀 發(fā)射相同的單元，或者如果下一幀與上一幀不同，則可以發(fā)射下一個單元。這些規(guī)則比 規(guī)則更為復雜，對于反恐委員會來說，它們并不完全必要。

反恐委員會的執(zhí)行

以下是如何表示 CTC 損失。與機器學習中的大多數(shù)損失函數(shù)一樣，它通常表示為一個動態(tài)算法，將這些規(guī)則應用于訓練語句或模型的 softmax 輸出。

在訓練中，損失值和梯度由適用于 CTC 規(guī)則的 Baum–Welch algorithm 根據(jù)所有可能路線的條件概率計算得出。 CTC 實現(xiàn)通常有數(shù)百到數(shù)千行代碼，很難修改。

幸運的是，還有另一種執(zhí)行反恐委員會的方法。除了其他應用領域外，加權(quán)有限狀態(tài)傳感器（ WFST ）方法允許模型將動態(tài)算法表示為一組圖形和相關圖形操作。這種方法使您能夠通過將 CTC 規(guī)則應用于特定的音頻和文本，并通過計算損失和梯度來解耦 CTC 規(guī)則。

CTC WFST 應用程序

有了 WFST ，您可以輕松地采用 CTC 規(guī)則，并使用不同的標準，如最大互信息（ MMI ）。這些模型通常具有比 CTC 模型更低的字錯誤率（ WER ）。 MMI 將先前的語言信息納入培訓過程。

與 CTC 相比， MMI 不僅最大化了最可行路徑的概率，而且最小化了其他路徑的概率。為此， MMI 有一個所謂的分母圖，它可以在訓練期間占用大量 GPU 內(nèi)存。幸運的是，可以修改一些 CTC 規(guī)則以減少分母內(nèi)存消耗，而不會影響語音識別的準確性。

此外， CTC 規(guī)則的 WFST 表示，或所謂的 topology ，可用于對 CTC 模型進行 WFST 解碼。為此，您可以將 N -gram 語言模型轉(zhuǎn)換為 WFST 圖，并將其與拓撲圖組合在一起。生成的解碼圖可以傳遞給，例如， Riva CUDA WFST Decoder 。

解碼圖可能很大，以至于無法放入 GPU 內(nèi)存。但通過一些 CTC 拓撲修改，您可以減少 CTC 的解碼圖形大小。

CTC 拓撲

圖 1 顯示了 CTC 拓撲， Correct CTC 。這是一個帶自循環(huán)的有向完整圖，因此對于 N 單元（包括空白），有 N 狀態(tài)和弧的平方數(shù)。

正確的反恐委員會是最常用的反恐委員會代表。看看這個拓撲產(chǎn)生的典型大小。對于 LibriSpeech 4 字語言模型和 256 個模型詞匯單元，解碼圖大小為~ 16Gb 。對于型號詞匯表大小為 2048 的 32Gb GPU ，僅當批次大小為 1 時，才可以進行冷啟動 MMI 培訓。

圖 1.三單元詞匯表的正確 CTC 示例：《 blank 》、 a 和 B

通過刪除一些 CTC 規(guī)則來減少 Correct CTC 引起的內(nèi)存消耗。首先，使用 刪除重復單元的強制分隔。如果沒有這個規(guī)則，您最終會得到一個名為 CompactCTC 的拓撲（圖 2 ）。它有 3 個 N – 2 個弧用于 N 單元。

圖 2.緊湊型 CTC 示例

盡管有純

（虛擬）弧，但這種拓撲結(jié)構(gòu)可用于訓練和解碼，不會對識別質(zhì)量產(chǎn)生負面影響。如果您想知道這是如何工作的，請參閱 CTC Variations Through New WFST Topologies 或 執(zhí)行 NVIDIA NeMo 。

使用 Compact CTC 的解碼圖形大小比使用 Correct CTC 的小四分之一。它還需要 2x 更少的 GPU 內(nèi)存用于 MMI 訓練。

現(xiàn)在在多個連續(xù)幀上丟棄相同的單位發(fā)射，只保留 規(guī)則。這樣，您得到的拓撲只有一個狀態(tài)和 N 單元的 N 弧。

這是可能的最小 CTC 拓撲，所以我們稱之為最小 CTC （圖 3 ）。它需要更少的 GPU 內(nèi)存用于 MMI 訓練（與 Correct CTC 相比減少了 4 倍），但與基線相比，使用 Minimal CTC 拓撲的 MMI 訓練模型的精度會降低。

最小的拓撲還產(chǎn)生最小的解碼 WFST ，其大小為基線圖的一半。用 Minimal CTC 編譯的解碼圖與用 Correct CTC 或 Compact CTC 構(gòu)建的模型不兼容。

圖 3.最小 CTC 示例

最后，我回到了 Correct CTC ，但這次離開了強制分離重復單元，并放棄了單元繼續(xù)。名為 Selfless CTC 的拓撲結(jié)構(gòu)旨在彌補 Minimal CTC 的缺點。

圖 1 和圖 4 顯示， Correct CTC 和 Selfles CTC 僅在非 自我循環(huán)中有所不同。這兩種拓撲結(jié)構(gòu)還提供了相同的 MMI 模型精度，如果模型具有較長的上下文窗口，則可以提供更好的精度。然而， Selfless CTC 在解碼時也與 Minimal CTC 兼容。通過 Minimal CTC ，您只需增加 0.2% 的 WER ，即可將圖形大小減少 2 倍。

圖 4.Selfless CTC 示例；基于正確的 CTC

結(jié)論

有幾個技巧可以提高性能：

在解碼圖構(gòu)造和 MMI 訓練中，使用 Compact CTC 代替 Correct CTC 。

為了最大程度地減小解碼圖形的大小，請使用 Selfles CTC 訓練您的模型，并使用 Minimal CTC 解碼。

損失函數(shù)不是一成不變的：嘗試使用現(xiàn)有損失函數(shù)的 WFST 表示法并創(chuàng)建新的表示法。這很有趣！

關于作者

Aleksandr Laptev 是 ITMO 大學的博士生，也是 NVIDIA 的高級研究科學家。他的科學興趣是自動語音識別、語音合成（ TTS ）和自然語言處理。他撰寫開放獲取科學文章，為開放源代碼軟件做出貢獻，并參加國際語音識別比賽。他目前的研究領域是可微加權(quán)有限狀態(tài)傳感器。

審核編輯：郭婷