3

我试图了解 RNN Transducer 如何使用地面实况标签进行训练。在 CTC 的情况下，我知道该模型是用损失函数训练的，该函数总结了所有可能的地面实况标签对齐的所有分数。

但在 RNN-T 中，预测网络必须从最后一步接收输入才能产生类似于“教师强制”方法的输出。但我的疑问是，是否应该将基本事实标签转换为所有可能的空白标签对齐，并通过教师强制“方法将每个对齐馈送到网络？

4

1 回答 1

3

RNN-T 有一个转录网络（类似于声学模型）、一个预测网络（语言模型）和一个联合网络（/function，取决于实现），它结合了预测网络和转录网络的输出。

在训练期间，您通过以下方式处理每个话语：

  • 通过转录网络传播所有 T 个声学帧并存储输出（转录网络隐藏状态）
  • 通过预测网络传播长度为 U 的地面实况标签序列，在序列的开头传入一个全零向量。请注意，此时您无需担心空白状态
  • 通过联合网络传播转录和预测网络隐藏状态的所有 T*U 组合，无论是根据 Graves（2012）的简单求和和指数，还是根据最近的 Google ASR 出版物（即：He等人，2019）。

根据 Graves 2012 的图 1，联合网络的 T*U 输出可以被视为一个网格。然后可以使用前向后向算法（第 2.4 节，Graves 2012）有效地实现损失函数。只允许水平（消耗声学框架）和垂直（消耗标签）过渡。从 t 步进到 t+1 类似于 CTC 中的空白状态，而在进行垂直转换时输出非空白符号，即从输出标签 u 到 u+1。请注意，您可以在不输出非空白符号的情况下消耗多个时间帧（根据 CTC），但您也可以在不通过 t 的情况下输出多个标签。

为了更直接地回答您的问题，请注意，只有非空白输出被传递回预测网络的输入，并且转录和预测网络是异步运行的。

参考：

  • 使用循环神经网络进行序列转导，Graves 2012
  • 用于移动设备的流式端到端语音识别，He 等人。2019
于 2019-07-03T20:01:16.897 回答