原创 kaldi學習之彙總

一、特有名詞 acoustic scale: 通常設置爲0.1,意味着聲學模型的log概率得到的權重遠低於語言模型。在Score的腳本中,經常會看到一系列要搜索的語言模型權重(例如7到15的範圍)。 這些可以解釋爲聲acoustic sc

原创 kaldi的yesno樣例分析

這篇文章是根據yesno樣例下的run.sh腳本寫出來的,當然腳本里還有許多附帶工具暫時就來不及一一詳解,看以後有沒有時間和興趣了。1.train_cmd="utils/run.pl" decode_cmd="utils/run.pl"定

原创 linux下shell的if參數

文件表達式 -e filename 如果 filename存在,則爲真-d filename 如果 filename爲目錄,則爲真 -f filename 如果 filename爲常規文件,則爲真-L filename 如果 filena

原创 pytorch之打印網絡節點

1 輸入: import torch the_model = torch.load("model.pt") print (the_model) params=the_model.state_dict() len(params) fo

原创 kaldi學習之decoder與lattice

最新在學習怎麼樣將kaldi用在喚醒而不使用WSTF,所以需要深入kaldi進行學習。暫將學習內容整理一下。 三張圖片分別代表學習kaldi相關主題的學習筆記,僅寫了對自己用用部分,要想搞得更細,還得靠時間和深扒源碼和理論。 1 Deco

原创 HTK編譯

本文介紹的是HTK在linux(centos)上的安裝方式,其他方式在其他網頁也可以搜到。 1 到官網http://htk.eng.cam.ac.uk/註冊,並下載相關安裝包,如下: HTK-3.4.1.tar.gz; HTK-sampl

原创 學習工作之後的思考

此文記錄所見所聞,抑或某天的感想~ 優秀的話,簡單概括一下可以這樣: (1) 硬實力 三門本領:編程,數學,英語 三類經歷:科研/工程項目,競賽,實習(技術類)——能有具體的成果如paper和可運行系統或實物等,就更好了 (2) 軟實力

原创 tensorflow之打印網絡節點(名稱)

1 測試代碼:  $ cat export_nodename.py #!/usr/bin/env python from __future__ import absolute_import from __future__ impor

原创 python之json

1 處理對象爲字符串時: >>> import json >>> data = { ... 'name' : 'ACME', ... 'shares' : 100, ... 'price' : 542.23 ..

原创 centos安裝 setuptools、pip、pip3,並安裝相應版本tensorflow

1 setuptools 下載: wget https://pypi.python.org/packages/6f/10/5398a054e63ce97921913052fde13ebf332a3a4104c50c4d7be9c4659

原创 python之random

#1.使用python random模塊的choice方法隨機選擇某個元素 import random foo = ['a', 'b', 'c', 'd', 'e'] from random import choice print ch

原创 神經網絡的數據預處理

神經網絡的數據預處理過程 常用的集中預處理操作—— 1、去均值:最常見的數據處理操作。 對待訓練的每一張圖片的特徵,都減去全部訓練集圖片的特徵均值,這麼做的直觀意義就是,我們把輸入數據各個維度的數據都中心化到0了。 2、歸一化 歸一化的目

原创 kaldi學習筆記一

前言 kaldi和古老的HTK相似,是一套自動語音識別工具。kaldi的面向不在於初學者,而是在於expert或者expert-training,所以有一定的門檻,但是也不用害怕,github上有它的源碼和egs,下載開源代碼和egs,多

原创 kaldi中解碼圖的構建一

解碼圖譜建立概要解碼圖譜也就是我們構建的的:HCLG=H*C*L*G,這裏        G是對語法或者語言模型編碼的受體,它的輸入和輸出是一樣的;        L是發音字典,它的輸出是單詞,輸入是音素;        C代表語境相關性

原创 pytorch的squeeze、cat函數

1 squeeze(): 去除size爲1的維度,包括行和列。至於維度大於等於2時,squeeze()不起作用。行、例:>>> torch.rand(4, 1, 3) (0 ,.,.) = 0.5391 0.8523 0.926