音频预处理方法linear mfcc fbank三种 有优劣么

[a00147600]

因为目前模型对不同录音识别效果时好时不好 想寻求不同的改进方法。

[yeyupiaoling]

这三个预处理方式都差不多，实测Linear会好一点点。

提供准确率方法：

• 使用集束搜索解码器ctc_beam_search
• 使用适合自己的数据集训练
• 使用更大的模型

[a00147600]

这三个预处理方式都差不多，实测Linear会好一点点。

提供准确率方法：

• 使用集束搜索解码器ctc_beam_search
• 使用适合自己的数据集训练
• 使用更大的模型

谢谢回答。目前我已经用了ctc_beam_search 确实比贪婪解码效果要好。数据集也确实是自己的。更大的模型是指更大的训练集还是deepspeech2_big模型呢？我的问题主要是集中在同音字等处理上 。 举个例子：录音上的部分“微信” 会被 识别为 “问一下”等这样的问题较多。

[yeyupiaoling]

是指deepspeech2_big模型，你的数据多吗？不多可以合成一批作为训练数据，

[a00147600]

是指deepspeech2_big模型，你的数据多吗？不多可以合成一批作为训练数据，

数据量是足够的。我担心过大的数据会导致之前的内存溢出 又不得不调低我的batch_size。我目前这轮的deepspeech2_big模型在11轮的cer和loss居然下降的不明显了。

[yeyupiaoling]

你的batch_size是多少？ deepspeech2_big模型在10个epoch之后收敛比较好了，下降不明显是正常，你的字错率是多少？ 你的数据量足够，是怎么够法？

[a00147600]

你的batch_size是多少？ deepspeech2_big模型在10个epoch之后收敛比较好了，下降不明显是正常，你的字错率是多少？ 你的数据量足够，是怎么够法？

之前内存不足 所以改了batch_size为8。数据量本次是160小时约16w条，当然可以增加的。字错率0.38 add_arg('batch_size', int, 8, '训练的批量大小') 顺带一提 我的识别效果来看 alpha beta这么改可能更符合生活中的语速逻辑 add_arg('alpha', float, 1.1, "集束搜索解码相关参数，LM系数") add_arg('beta', float, 2.0, "集束搜索解码相关参数，WC系数")

[yeyupiaoling]

batch_size改了，学习率也要改。

[a00147600]

batch_size改了，学习率也要改。

啊这 请大佬指出改成多少合适。是不是batch_size越小 学习率要越高呢？

[yeyupiaoling]

按batch_size缩小倍数减小

[a00147600]

按batch_size缩小倍数减小

这边还想问大佬一个问题。我把以往的最优best_model作为参数pretrained_model。此时进行新一轮数据第一轮epoch1进行训练。学习率或者别的什么东西需要更改么？

[yeyupiaoling]

不用，作为预训练模型或者恢复模型都不需要的。

[a00147600]

不用，作为预训练模型或者恢复模型都不需要的。

还有个事情哈。原数据集的alpha beta的正确性会较大影响结果。教程中tools/tune.py执行的速度和结果让我感到头大。根据我自己的测试。alpha越小 识别的时间间隔会越小，在我的录音中的人说话语速较快，在alpha适当减少后识别效果更好。但是beta的系数我还不明白。 add_arg('alpha', float, 2.2, '集束搜索的LM系数') add_arg('beta', float, 4.3, '集束搜索的WC系数')

[yeyupiaoling]

影响解码速度的应该是beam_size（搜索宽度），你手动调整是不可能的，还有让tun.py执行，太久，可以减小beam_size