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

1、語(yǔ)音識(shí)別是人工智能領(lǐng)域中的重要研究方向，現(xiàn)有的語(yǔ)音識(shí)別技術(shù)主要是基于海量語(yǔ)音數(shù)據(jù)背景下，通過(guò)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(yǔ)音數(shù)據(jù)的數(shù)據(jù)量巨大，所以語(yǔ)音數(shù)據(jù)的存儲(chǔ)和聲學(xué)模型的訓(xùn)練速度便顯得尤為重要。
　　論文選題來(lái)源于百度網(wǎng)絡(luò)技術(shù)有限公司語(yǔ)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(tái)。在該平臺(tái)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(tái)，其采用一主多從，硬盤串聯(lián)的組織形

2、式來(lái)實(shí)現(xiàn)語(yǔ)音數(shù)據(jù)的存儲(chǔ)和訓(xùn)練算法的并行計(jì)算，并以此來(lái)提高聲學(xué)模型的訓(xùn)練速度。但是之前的系統(tǒng)平臺(tái)在實(shí)際應(yīng)用之中，無(wú)論是聲學(xué)模型的訓(xùn)練速度還是并行計(jì)算容錯(cuò)處理等方面并不十分理想。另外，原有系統(tǒng)平臺(tái)只能完成聲學(xué)模型訓(xùn)練的任務(wù)，而在線語(yǔ)音數(shù)據(jù)的存儲(chǔ)，及后續(xù)的語(yǔ)音標(biāo)注都需要其他系統(tǒng)來(lái)完成。這為聲學(xué)模型的訓(xùn)練及語(yǔ)音產(chǎn)品線的服務(wù)都帶來(lái)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(tái)，在保證訓(xùn)練出來(lái)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(shí)的容錯(cuò)處理。另外，該平臺(tái)還將在線語(yǔ)音數(shù)據(jù)存儲(chǔ)的功能整合其中，并為語(yǔ)音標(biāo)注系統(tǒng)提供友好高效的接口。使其形成一個(gè)功能相對(duì)完善，便于使用管理的綜合系統(tǒng)平臺(tái)。
　　在提高模型的訓(xùn)練速度和改善并行計(jì)算時(shí)的容錯(cuò)處理方面，主要是想依靠Hadoop平臺(tái)及其所實(shí)現(xiàn)的MapReduce編程框架。由于Hadoop平臺(tái)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(yǔ)音存儲(chǔ)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(chǔ)時(shí)單一使用MySQL，造成存儲(chǔ)性能不佳，存儲(chǔ)壓力對(duì)于MySQL過(guò)大的情況，使HDFS和MySQL都能發(fā)揮出其優(yōu)勢(shì)。
　　另外，整合后的系統(tǒng)平臺(tái)還為語(yǔ)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(yǔ)音數(shù)據(jù)，不用再費(fèi)時(shí)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