具體描述
産品特色
編輯推薦
AlphaGo與李世石的圍棋大戰激發瞭人們對人工智能是非的諸多爭論。人工智能背後的工作原理深度學習跳入大眾的視野。AlphaGo的大獲全勝一定程度展示瞭深度學習在應用領域的成功，而語音識彆正是深度學習取得顯著成功的應用領域之一。
本書是首次以深度學習為主綫介紹語音識彆應用的書籍，對讀者瞭解語音識彆技術及其發展曆程有重要的參考價值。
本書作者俞棟、鄧力均是該領域的著名專傢，他們是深度學習在應用領域取得突破性進展的推動者與實踐者，他們在書中分享的研究成果一定程度上代錶瞭本領域全新的研究進展；譯者俞凱、錢彥 旻也是本領域的資深專傢，並有眾多實踐成果。 對於從事此領域研究的讀者來說，本書無疑有重要的參考價值。
內容簡介
《解析深度學習：語音識彆實踐》是首部介紹語音識彆中深度學習技術細節的專著。全書首先概要介紹瞭傳統語音識彆理論和經典的深度神經網絡核心算法。接著全麵而深入地介紹瞭深度學習在語音識彆中的應用，包括“深度神經網絡-隱馬爾可夫混閤模型”的訓練和優化，特徵錶示學習、模型融閤、自適應，以及以循環神經網絡為代錶的若乾先進深度學習技術。
《解析深度學習：語音識彆實踐》適閤有一定機器學習或語音識彆基礎的學生、研究者或從業者閱讀，所有的算法及技術細節都提供瞭詳盡的參考文獻，給齣瞭深度學習在語音識彆中應用的全景。
作者簡介
俞棟
1998 年加入微軟公司，現任微軟研究院首席研究員、浙江大學兼職教授和中科大客座教授。他是語音識彆和深度學習方嚮的資深專傢，齣版瞭兩本專著，發錶瞭150 多篇論文，是近60 項專利的發明人及有廣泛影響力的深度學習開源軟件CNTK 的發起人和主要作者之一。他在基於深度學習的語音識彆技術上的工作帶來瞭語音識彆研究方嚮的轉變，極大地推動瞭語音識彆領域的發展，並獲得2013 年IEEE 信號處理協會佳論文奬。俞棟博士現擔任IEEE 語音語言處理專業委員會委員，曾擔任IEEE/ACM音頻、語音及語言處理匯刊、IEEE 信號處理雜誌等期刊的編委。
鄧力
世界著名人工智能、機器學習和語音語言信號處理專傢，現任微軟首席人工智能科學傢和深度學習技術中心研究經理。他在美國威斯康星大學先後獲碩士和博士學位，然後在加拿大滑鐵盧大學任教獲得終身正教授。其間，他還任麻省理工學院研究職位。1999 年加入微軟研究院曆任數職，並在2014 年初創辦深度學習技術中心，主持微軟公司和研究院的人工智能和深度學習領域的技術創新。 鄧立博士的研究方嚮包括自動語音與說話者識彆、口語識彆與理解、語音–語音翻譯、機器翻譯、語言模式、統計方法與機器學習、聽覺和其他生物信息處理、深層結構學習、類腦機器智能、圖像語言多模態深度學習，商業大數據深度分析等。他在上述領域做齣瞭重大貢獻，是ASA（美國聲學學會）會士、IEEE（美國電氣和電子工程師協會）會士和理事、ISCA（國際語音通信協會）會士，並憑藉在深度學習與自動語音識彆方嚮做齣的傑齣貢獻榮獲2015年度IEEE 信號處理技術成就奬。同時，他也曾在高端雜誌和會議上發錶過與上述領域相關的300 餘篇學術論文，齣版過5 部著作，發明及閤作發明瞭超過70 多項專利。鄧立博士還擔任過IEEE 信號處理雜誌和《音頻、語音與語言處理學報》（IEEE/ACMTransactions on Audio, Speech & anguage Processing）的主編。
俞凱
IEEE 高級會員，上海交通大學計算機科學與工程係特彆研究員。清華大學本科、碩士，英國劍橋大學工程係博士。長期從事智能語音及語言處理、人機交互、模式識彆及機器學習的研究和産業化工作。他是中組部“韆人計劃”（青年項目）獲得者，國傢自然科學基金委優秀青年科學基金獲得者，上海市“東方學者”特聘教授；作為共同創始人和首席科學傢創立“蘇州思必馳信息科技有限公司”。現任中國聲學學會語音語言、聽覺及音樂分會執委會委員，中國計算機學會人機交互專委會委員，中國語音産業聯盟技術工作組副組長。他的研究興趣涉及語音識彆、語音閤成、口語理解、對話係統、認知型人機交互等智能語音語言處理技術的多個核心技術領域，在本領域的一流國際期刊和會議上發錶論文80 餘篇，申請專利10 餘項，取得瞭一係列研究、工程和産業化成果。在InterSpeech 及IEEE Spoken Language Processing 等國際會議上獲得3 篇國際會議優秀論文奬，獲得國際語音通信聯盟（ISCA）2013 年頒發的2008—2012 Computer Speech and Language 優論文奬。受邀擔任InterSpeech 2009 語音識彆領域主席、EUSIPCO 2011/EUSIPCO 2014 語音處理領域主席、InterSpeech 2014 口語對話係統領域主席等。他負責搭建或參與搭建的大規模連續語音識彆係統，曾獲得美國國傢標準局（NIST）和美國國防部內部評測冠軍；作為核心技術人員，負責設計並實現的認知型統計對話係統原型，在CMU 組織的2010 年對話係統國際挑戰賽上獲得瞭可控測試的冠軍。作為項目負責人或Co-PI，他主持瞭歐盟第7 框架PARLANCE、國傢自然科學基金委、上海市教委、經信委，以及美國通用公司、蘇州思必馳信息科技有限公司的一係列科研及産業化項目。2014 年，因在智能語音技術産業化方麵的貢獻，獲得中國人工智能學會頒發的“吳文俊人工智能科學技術奬”。
錢彥旻
上海交通大學計算機科學與工程係助理研究員，博士。分彆在2007 年6 月和2013 年1 月於華中科技大學和清華大學獲得工學學士和工學博士學位。2013 年4 月起，任上海交通大學計算機科與工程係理研究員。同時從2015 年1 月至2015 年12 月，在英國劍橋大學工程係機器智能實驗室語音組進行訪問，作為項目研究員與語音識彆領域的著名科學傢Phil Woodland 教授和Mark Gales 教授開展閤作研究。現為IEEE、ISCA 會員，同時也是國際開源項目Kaldi 語音識彆工具包開發的項目組創始成員之一。此外，擔任IEEE Transactions on Audio, Speech, and Language Processing、SpeechCommunication、ICASSP、Interspeech、ASRU 等國際期刊和會議的審稿人。目前在國內外學術刊物和會議上發錶學術論文50 餘篇，Google Scholar 總引用數近1000 次。其中包括在語音識彆領域優秀國際會議ICASSP、InterSpeech 和ASRU 上發錶論文30 餘篇，申請國傢專利共3 項，已授權1 項。2008 年獲科技奧運先進集體奬，2014 年獲中國人工智能學會頒發的“吳文俊人工智能科學技術奬進步奬”。曾作為負責人和主要參與者參加瞭包括英國EPSRC、國傢自然科學基金、國傢863 等多個項目。目前的研究領域包括：語音識彆、說話人和語種識彆、自然語言理解、深度學習建模、多媒體信號處理等。
內頁插圖
目錄
作者及譯者簡介iv
譯者序vii
序ix
前言xi
術語縮寫xxiii
符號xxvii
1 簡介1
1.1 自動語音識彆：更好的溝通之橋 1
1.1.1 人類之間的交流 2
1.1.2 人機交流 2
1.2 語音識彆係統的基本結構 4
1.3 全書結構 6
1.3.1 第一部分：傳統聲學模型6
1.3.2 第二部分：深度神經網絡6
1.3.3 第三部分：語音識彆中的DNN-HMM 混閤係統7
1.3.4 第四部分：深度神經網絡中的特徵錶示學習 7
1.3.5 第五部分：高級的深度模型 7
第一部分傳統聲學模型9
2 混閤高斯模型10
2.1 隨機變量10
2.2 高斯分布和混閤高斯隨機變量11
2.3 參數估計13
2.4 采用混閤高斯分布對語音特徵建模 15
3 隱馬爾可夫模型及其變體17
3.1 介紹17
3.2 馬爾可夫鏈19
3.3 序列與模型 20
3.3.1 隱馬爾可夫模型的性質21
3.3.2 隱馬爾可夫模型的仿真22
3.3.3 隱馬爾可夫模型似然度的計算22
3.3.4 計算似然度的高效算法24
3.3.5 前嚮與後嚮遞歸式的證明25
3.4 期望zui大化算法及其在學習HMM 參數中的應用 26
3.4.1 期望zui大化算法介紹 26
3.4.2 使用EM 算法來學習HMM 參數——Baum-Welch 算法 28
3.5 用於解碼HMM 狀態序列的維特比算法32
3.5.1 動態規劃和維特比算法32
3.5.2 用於解碼HMM 狀態的動態規劃算法33
3.6 隱馬爾可夫模型和生成語音識彆模型的變體35
3.6.1 用於語音識彆的GMM-HMM 模型 36
3.6.2 基於軌跡和隱藏動態模型的語音建模和識彆37
3.6.3 使用生成模型HMM 及其變體解決語音識彆問題 38
第二部分深度神經網絡41
4 深度神經網絡42
4.1 深度神經網絡框架42
4.2 使用誤差反嚮傳播來進行參數訓練 45
4.2.1 訓練準則 45
4.2.2 訓練算法46
4.3 實際應用50
4.3.1 數據預處理51
4.3.2 模型初始化52
4.3.3 權重衰減52
4.3.4 丟棄法 53
4.3.5 批量塊大小的選擇55
4.3.6 取樣隨機化56
4.3.7 慣性係數 57
4.3.8 學習率和停止準則58
4.3.9 網絡結構59
4.3.10 可復現性與可重啓性 59
5 高級模型初始化技術61
5.1 受限玻爾茲曼機61
5.1.1 受限玻爾茲曼機的屬性63
5.1.2 受限玻爾茲曼機參數學習66
5.2 深度置信網絡預訓練 69
5.3 降噪自動編碼器預訓練71
5.4 鑒彆性預訓練74
5.5 混閤預訓練75
5.6 采用丟棄法的預訓練 75
第三部分語音識彆中的深度神經網絡–隱馬爾可夫混閤模型77
6 深度神經網絡–隱馬爾可夫模型混閤係統78
6.1 DNN-HMM 混閤係統 78
6.1.1 結構78
6.1.2 用CD-DNN-HMM 解碼80
6.1.3 CD-DNN-HMM 訓練過程81
6.1.4 上下文窗口的影響83
6.2 CD-DNN-HMM 的關鍵模塊及分析 85
6.2.1 進行比較和分析的數據集和實驗85
6.2.2 對單音素或者三音素的狀態進行建模 87
6.2.3 越深越好88
6.2.4 利用相鄰的語音幀89
6.2.5 預訓練 90
6.2.6 訓練數據的標注質量的影響 90
6.2.7 調整轉移概率 91
6.3 基於KL 距離的隱馬爾可夫模型91
7 訓練和解碼的加速93
7.1 訓練加速93
7.1.1 使用多GPU 流水綫反嚮傳播94
7.1.2 異步隨機梯度下降97
7.1.3 增廣拉格朗日算法及乘子方嚮交替算法100
7.1.4 減小模型規模 101
7.1.5 其他方法102
7.2 加速解碼103
7.2.1 並行計算103
7.2.2 稀疏網絡105
7.2.3 低秩近似107
7.2.4 用大尺寸DNN 訓練小尺寸DNN108
7.2.5 多幀DNN 109
8 深度神經網絡序列鑒彆性訓練111
8.1 序列鑒彆性訓練準則 111
8.1.1 zui大相互信息 112
8.1.2 增強型MMI 113
8.1.3 zui小音素錯誤/狀態級zui小貝葉斯風險114
8.1.4 統一的公式115
8.2 具體實現中的考量116
8.2.1 詞圖産生116
8.2.2 詞圖補償117
8.2.3 幀平滑 119
8.2.4 學習率調整119
8.2.5 訓練準則選擇 120
8.2.6 其他考量120
8.3 噪聲對比估計 121
8.3.1 將概率密度估計問題轉換為二分類設計問題121
8.3.2 拓展到未歸一化的模型123
8.3.3 在深度學習網絡訓練中應用噪聲對比估計算法 124
第四部分深度神經網絡中的特徵錶示學習127
9 深度神經網絡中的特徵錶示學習128
9.1 特徵和分類器的聯閤學習128
9.2 特徵層級129
9.3 使用隨意輸入特徵的靈活性 133
9.4 特徵的魯棒性 134
9.4.1 對說話人變化的魯棒性134
9.4.2 對環境變化的魯棒性 135
9.5 對環境的魯棒性137
9.5.1 對噪聲的魯棒性138
9.5.2 對語速變化的魯棒性 140
9.6 缺乏嚴重信號失真情況下的推廣能力141
10 深度神經網絡和混閤高斯模型的融閤144
10.1 在GMM-HMM 係統中使用由DNN 衍生的特徵144
10.1.1 使用Tandem 和瓶頸特徵的GMM-HMM 模型144
10.1.2 DNN-HMM 混閤係統與采用深度特徵的GMM-HMM 係統的比較147
10.2 識彆結果融閤技術149
10.2.1 識彆錯誤票選降低技術（ROVER） 149
10.2.2 分段條件隨機場（SCARF） 151
10.2.3 zui小貝葉斯風險詞圖融閤153
10.3 幀級彆的聲學分數融閤153
10.4 多流語音識彆 154
11 深度神經網絡的自適應技術157
11.1 深度神經網絡中的自適應問題157
11.2 綫性變換159
11.2.1 綫性輸入網絡.159
11.2.2 綫性輸齣網絡 159
11.3 綫性隱層網絡 161
11.4 保守訓練162
11.4.1 L2 正則項163
11.4.2 KL 距離正則項163
11.4.3 減少每個說話人的模型開銷 165
11.5 子空間方法167
11.5.1 通過主成分分析構建子空間 167
11.5.2 噪聲感知、說話人感知及設備感知訓練168
11.5.3 張量172
11.6 DNN 說話人自適應的效果172
11.6.1 基於KL 距離的正則化方法 173
11.6.2 說話人感知訓練174
第五部分先進的深度學習模型177
12 深度神經網絡中的錶徵共享和遷移178
12.1 多任務和遷移學習178
12.1.1 多任務學習 178
12.1.2 遷移學習180
12.2 多語言和跨語言語音識彆180
12.2.1 基於Tandem 或瓶頸特徵的跨語言語音識彆181
12.2.2 共享隱層的多語言深度神經網絡182
12.2.3 跨語言模型遷移185
12.3 語音識彆中深度神經網絡的多目標學習188
12.3.1 使用多任務學習的魯棒語音識彆188
12.3.2 使用多任務學習改善音素識彆189
12.3.3 同時識彆音素和字素（graphemes） 190
12.4 使用視聽信息的魯棒語音識彆 190
13 循環神經網絡及相關模型192
13.1 介紹192
13.2 基本循環神經網絡中的狀態-空間公式194
13.3 沿時反嚮傳播學習算法195
13.3.1 zui小化目標函數 196
13.3.2 誤差項的遞歸計算196
13.3.3 循環神經網絡權重的更新197
13.4 一種用於學習循環神經網絡的原始對偶技術199
13.4.1 循環神經網絡學習的難點199
13.4.2 迴聲狀態（Echo-State）性質及其充分條件 199
13.4.3 將循環神經網絡的學習轉化為帶約束的優化問題 200
13.4.4 一種用於學習RNN 的原始對偶方法201
13.5 結閤長短時記憶單元（LSTM）的循環神經網絡203
13.5.1 動機與應用203
13.5.2 長短時記憶單元的神經元架構204
13.5.3 LSTM-RNN 的訓練205
13.6 循環神經網絡的對比分析205
13.6.1 信息流方嚮的對比：自上而下還是自下而上 206
13.6.2 信息錶徵的對比：集中式還是分布式208
13.6.3 解釋能力的對比：隱含層推斷還是端到端學習209
13.6.4 參數化方式的對比：吝嗇參數集閤還是大規模參數矩陣 209
13.6.5 模型學習方法的對比：變分推理還是梯度下降210
13.6.6 識彆正確率的比較211
13.7 討論212
14 計算型網絡214
14.1 計算型網絡214
14.2 前嚮計算215
14.3 模型訓練 218
14.4 典型的計算節點222
14.4.1 無操作數的計算節點 223
14.4.2 含一個操作數的計算節點223
14.4.3 含兩個操作數的計算節點228
14.4.4 用來計算統計量的計算節點類型235
14.5 捲積神經網絡 236
14.6 循環連接 239
14.6.1 隻在循環中一個接一個地處理樣本240
14.6.2 同時處理多個句子242
14.6.3 創建任意的循環神經網絡243
15 總結及未來研究方嚮245
15.1 路綫圖 245
15.1.1 語音識彆中的深度神經網絡啓濛245
15.1.2 深度神經網絡訓練和解碼加速248
15.1.3 序列鑒彆性訓練248
15.1.4 特徵處理249
15.1.5 自適應 250
15.1.6 多任務和遷移學習251
15.1.7 捲積神經網絡 251
15.1.8 循環神經網絡和長短時記憶神經網絡251
15.1.9 其他深度模型 252
15.2 技術前沿和未來方嚮 252
15.2.1 技術前沿簡析252
15.2.2 未來方嚮253
參考文獻255???????
精彩書摘
序
本書首次專門講述瞭如何將深度學習方法，特彆是深度神經網絡（DNN）技術應用於語音識彆（ASR）領域。在過去的幾年中，深度神經網絡技術在語音識彆領域的應用取得瞭前所未有的成功。這使得本書成為在深度神經網絡技術的發展曆程中一個重要的裏程碑。作者繼其前一本書Deep Learning: Methods and Applications 之後，在語音識彆技術和應用上進行瞭更深入鑽研，得成此作。與上一本書不同，該作並沒有對深度學習的各個應用領域都進行探討，而是將重點放在瞭語音識彆技術及其應用上，並就此進行瞭更深入、更專一的討論。難能可貴的是，這本書提供瞭許多語音識彆技術背景知識，以及深度神經網絡的技術細節，比如嚴謹的數學描述和軟件實現也都包含其中。這些對語音識彆領域的專傢和有一定基礎的讀者來說都將是極其珍貴的資料。
本書的獨特之處還在於，它並沒有局限於目前常應用於語音識彆技術的深度神經網絡上，還兼顧包含瞭深度學習中的生成模型，這種模型可以很自然地嵌入先驗的領域知識和問題約束。作者在背景材料中充分證實瞭自20 世紀90 年代早期起，語音識彆領域研究者提齣的深度動態生成模型（dynamic generative models）的豐富性，同時又將其與最近快速發展的深度鑒彆性模型在統一的框架下進行瞭比較。書中以循環神經網絡和隱動態模型為例，對這兩種截然不同的深度模型進行瞭全方位有見地的優劣比較。這為語音識彆中的深度學習發展和其他信號及信息處理領域開啓瞭一個新的激動人心的方嚮。該書還滿懷曆史情懷地對四代語音識彆技術進行瞭分析。當然，以深度學習為主要內容的第四代技術是本書所詳細闡述的，特彆是DNN 和深度生成模型的無縫結，將使得知識擴展可以在一種最自然的方式下完成。
總的來說，該書可能成為語音識彆領域工作者在第四代語音識彆技術時代的重要參考書。全書不但巧妙地涵蓋瞭一些基本概念，使你能夠理解語音識彆全貌，還對近兩年興盛起來的強大的深度學習方法進行瞭深入的細節介紹。讀完本書，你將可以看清前沿的語音識彆是如何構建在深度神經網絡技術上的，可以滿懷自信地去搭建識彆能力達到甚至超越人類的語音識彆係統。
Sadaoki Furui
芝加哥豐田技術研究所所長，東京理工學院教授
前言/序言
以自然語言人機交互為主要目標的自動語音識彆（ASR），在近幾十年來一直是研究的熱點。在2000 年以前，有眾多語音識彆相關的核心技術湧現齣來，例如：混閤高斯模型（GMM）、隱馬爾可夫模型（HMM）、梅爾倒譜係數（MFCC）及其差分、n 元詞組語言模型（LM）、鑒彆性訓練以及多種自適應技術。這些技術極大地推進瞭ASR 以及相關領域的發展。但是比較起來，在2000 年到2010 年間，雖然GMM-HMM序列鑒彆性訓練這種重要的技術被成功應用到實際係統中，但是在語音識彆領域中無論是理論研究還是實際應用，進展都相對緩慢與平淡。
然而在過去的幾年裏，語音識彆領域的研究熱情又一次被點燃。由於移動設備對語音識彆的需求與日俱增，並且眾多新型語音應用，例如，語音搜索（VS）、短信聽寫（SMD）、虛擬語音助手（例如，蘋果的Siri、Google Now 以及微軟的Cortana）等在移動互聯世界獲得瞭成功，新一輪的研究熱潮自然被帶動起來。此外，由於計算能力的顯著提升以及大數據的驅動，深度學習在大詞匯連續語音識彆下的成功應用也是同樣重要的影響因素。比起此前最先進的識彆技術——GMM-HMM 框架，深度學習在眾多真實世界的大詞匯連續語音識彆任務中都使得識彆的錯誤率降低瞭三分之一或更多，識彆率也進入到真實用戶可以接受的範圍內。舉例來說，絕大多數SMD 係統的識彆準確率都超過瞭90%，甚至有些係統超過瞭95%。
作為研究者，我們參與並見證瞭這許許多多令人興奮的深度學習技術上的發展。考慮到近年來在學術領域與工業領域迸發的ASR 研究熱潮，我們認為是時候寫一本書來總結語音識彆領域的技術進展，尤其是近年來的最新進展。
最近20 年，隨著語音識彆領域的不斷發展，很多關於語音識彆以及機器學習的優秀書籍相繼問世，這裏列舉一部分：
? Deep Learning: Methods and Applications, by Li Deng and Dong Yu (June, 2014)
? Automatic Speech and Speaker Recognition: Large Margin and Kernel Methods, byJoseph Keshet, Samy Bengio (Jan, 2009)
? Speech Recognition Over Digital Channels: Robustness and Standards, by AntonioPeinado and Jose Segura (Sept, 2006)
? Pattern Recognition in Speech and Language Processing, by Wu Chou and Biing-HwangJuang (Feb, 2003)
? Speech Processing — A Dynamic and Optimization-Oriented Approach, by Li Dengand Doug O’Shaughnessy (June 2003)
? Spoken Language Processing: A Guide to Theory, Algorithm and System Development,by Xuedong Huang, Alex Acero, and Hsiao-Wuen Hon (April 2001)
? Digital Speech Processing: Synthesis, and Recognition, Second Edition, by SadaokiFurui (June, 2001)
? Speech Communications: Human and Machine, Second Edition, by Douglas O’Shaughnessy(June, 2000)
? Speech and Language Processing — An Introduction to Natural Language Processing,Computational Linguistics, and Speech Recognition, by Daniel Jurafsky and JamesMartin (April, 2000)
? Speech and Audio Signal Processing, by Ben Gold and Nelson Morgan (April, 2000)
? Statistical Methods for Speech Recognition, by Fred Jelinek (June, 1997)
? Fundamentals of Speech Recognition, by Lawrence Rabiner and Biing-Hwang Juang(April, 1993)
? Acoustical and Environmental Robustness in Automatic Speech Recognition, by AlexAcero (Nov, 1992)
然而，所有這些書或者是齣版於2009 年以前，也就是深度學習理論被提齣之前，或者是像我們2014 年齣版的綜述書籍，都沒有特彆關注深度學習技術在語音識彆領域的應用。早期的書籍缺少2010 年以後的深度學習新技術，而語音識彆領域以及深度學習的研究者所需求的技術及數學細節更是沒能涵蓋其中。不同於以上書籍，本書除瞭涵蓋必要的背景材料外，特彆整理瞭近年來語音識彆領域上深度學習以及鑒彆性層次模型的相關研究。本書涵蓋瞭一係列深度學習模型的理論基礎及對其的理解，其中包括深度神經網絡（DNN）、受限玻耳茲曼機（RBM）、降噪自動編碼器、深度置信網絡、循環神經網絡（RNN）、長短時記憶（LSTM）RNN，以及各種將它們應用到實際係統的技術，例如，DNN-HMM 混閤係統、tandem 和瓶頸係統、多任務學習及遷移學習、序列鑒彆性訓練以及DNN 自適應技術。本書更加細緻地討論瞭搭建真實世界實時語音識彆係統時的注意事項、技巧、配置、深層模型的加速以及其他相關技術。為瞭更好地介紹基礎背景，本書有兩章討論瞭GMM 與HMM 的相關內容。然而由於本書的主題是深度學習以及層次性建模，因而我們略過瞭GMM-HMM 的技術細節。所以本書是上麵羅列參考書籍的補充，而不是替代。我們相信本書將有益於語音處理及機器學習領域的在讀研究生、研究者、實踐者、工程師，以及科學傢的學習研究工作。我們希望，本書在提供領域內相關技術的參考以外，能夠激發更多新的想法與創新，進一步促進ASR 的發展。
在本書的撰寫過程中，Alex Acero、Geoffrey Zweig、Qiang Huo、Frank Seide、JashaDroppo、Mike Seltzer 以及Chin-Hui Lee 都提供瞭大量的支持與鼓勵。同時，我們也要感謝Springer 的編輯Agata Oelschlaeger 和Kiruthika Poomalai，他們的耐心和及時的幫助使得本書能夠順利齣版。
俞 棟鄧 力
美國華盛頓西雅圖
2014 年7 月
用戶評價
這本《解析深度學習：語音識彆實踐》真是讓我耳目一新，盡管我對深度學習領域算不上是新手，但這本書在“實踐”二字上的用力之深，遠超我的預期。它沒有流於泛泛而談的理論堆砌，而是把復雜的深度學習模型，特彆是與語音識彆緊密相關的那些，拆解得如同拆積木一樣清晰。從基礎的神經網絡結構，到更高級的循環神經網絡（RNN）、長短期記憶網絡（LSTM）、門控循環單元（GRU），再到近年來大放異彩的Transformer架構，書中都通過豐富的代碼示例和循序漸進的講解，讓讀者能夠親手搭建、訓練和調試這些模型。我特彆喜歡它對於數據集處理、特徵提取、模型評估以及超參數調優等關鍵環節的詳細闡述，這些都是在實際項目中繞不開的難點，但這本書給齣瞭切實可行的解決方案。尤其是在模型優化方麵，書中深入剖析瞭各種常見的訓練技巧和正則化方法，並結閤語音識彆的特點進行瞭優化，這對於想要將理論知識轉化為實際應用的研究者和工程師來說，無疑是一本寶貴的實戰指南。它不僅僅是教你“怎麼做”，更在於讓你理解“為什麼這麼做”，這種深度和廣度，確實讓我受益匪淺。
評分說實話，市麵上關於深度學習的書籍浩如煙海，但真正能夠兼顧理論深度與工程實踐的，並不多見。《解析深度學習：語音識彆實踐》這本書，絕對是其中的佼佼者。它以語音識彆為核心切入點，將深度學習的強大能力展現得淋灕盡緻。書中對各種主流的語音識彆模型，如GMM-HMM（作為鋪墊）、DNN-HMM，以及近年來占據主導地位的端到端模型（CTC, RNN-Transducer, Attention-based Encoder-Decoder）都進行瞭詳盡的介紹。我特彆欣賞作者在解釋這些模型時，能夠從數學原理齣發，然後自然地過渡到模型架構的設計，再到具體的代碼實現。每一章節都像是經過精心設計的課程，讓我在不知不覺中就掌握瞭新的知識。書中的代碼示例質量很高，直接可以用在實際的項目中，並且作者還非常貼心地指齣瞭可能遇到的問題和解決思路。對於我這種需要將理論知識快速應用於實際工作中的人來說，這本書的實用價值不言而喻。它不僅提供瞭“做什麼”，更提供瞭“如何做”以及“為什麼這麼做”，大大縮短瞭從學習到應用的距離。
評分在我翻開《解析深度學習：語音識彆實踐》之前，我對深度學習在語音識彆上的應用，總是感覺隔著一層模糊的麵紗，知道它厲害，但具體如何實現，總覺得不得其法。《解析深度學習：語音識彆實踐》就像一把鑰匙，直接打開瞭這扇門。作者以一種非常直觀的方式，將抽象的算法概念與具體的語音識彆任務相結閤。例如，在講解聲學模型時，它不僅僅是羅列公式，而是通過實際的Python代碼，一步步展示如何從原始音頻信號提取梅爾頻率倒譜係數（MFCC），如何構建端到端的聲學模型，以及如何進行高效的訓練。更令人驚喜的是，書中對語言模型和解碼器的部分也做瞭深入的探討，這對於構建一個完整的語音識彆係統至關重要。我之前總覺得這些部分很難理解，但書中通過圖文並茂的方式，結閤瞭N-gram模型、RNNLM，甚至最新的Attention機製，將整個流程梳理得井井有條。讀完後，我不僅對語音識彆的整體框架有瞭清晰的認知，更重要的是，我能夠信心滿滿地著手去實現自己的語音識彆項目瞭，這種從“知道”到“做到”的飛躍，是這本書最大的價值所在。
評分《解析深度學習：語音識彆實踐》這本書，對於我這樣的非科班齣身，又想在語音識彆領域深耕的開發者來說，簡直是一場及時雨。它沒有用過於晦澀難懂的數學語言去嚇退讀者，而是從最基礎的概念講起，循序漸進地引導我們進入深度學習的世界。尤其是對語音信號處理的部分，作者花瞭很大的篇幅去講解，比如如何進行采樣、分幀、加窗，以及各種特徵提取方法（MFCC, Fbank等），這為理解後續的深度學習模型打下瞭堅實的基礎。書中對語音識彆常用數據集的介紹和處理方法也十分詳盡，這對於我們準備和訓練模型至關重要。更重要的是，它不僅僅是介紹瞭模型，而是將模型與實際應用場景緊密結閤。例如，在講解端到端模型時，它會詳細說明如何處理詞錯誤率（WER）等評估指標，以及如何進行模型調優以提升實際的識彆效果。書中提供的代碼示例，不僅易於理解，而且可以直接運行，這大大降低瞭學習成本，讓我們可以快速上手，做齣自己的原型。它是一本真正能夠幫助我們“做齣來”的書，而非僅僅“看懂”的書。
評分當我開始閱讀《解析深度學習：語音識彆實踐》時，我本以為會是一本純粹的算法理論書籍，但事實證明，我錯瞭，而且錯得很徹底。這本書的魅力在於它對“實踐”二字的極緻追求。它不僅僅是講解深度學習模型，更是將這些模型置於真實的語音識彆場景中進行演練。從數據預處理的每一個細節，到模型訓練中的各種技巧，再到最終的部署和優化，書中都給齣瞭非常詳盡的指導。我印象最深刻的是關於模型魯棒性的討論，作者深入分析瞭在真實語音環境下，噪聲、口音、語速變化等因素對識彆準確率的影響，並提齣瞭相應的解決方案，例如數據增強、對抗訓練等。這些都是在實驗室環境裏很難遇到的挑戰，但書中提供的實踐方法，讓我對如何構建一個在復雜環境中依然錶現齣色的語音識彆係統有瞭全新的認識。此外，書中對不同模型的優劣勢分析也非常到位，能夠幫助讀者根據實際需求選擇最閤適的模型，而不是盲目跟風。這本書真正做到瞭理論與實踐的完美結閤，是我近期讀過的最富有啓發性的一本書。
評分python深度學習入門書籍，好好學習！
評分滿200-100買的，活動力度之大，非常滿意。京東速度特彆快，前一天晚上買的，第二天中午就到。快遞員的態度特彆好，送上樓的。
評分第6章是作者的經驗總結和心得體會，包括職場發展的注意事項、作為架構師的感想、寫作的好處等。
評分還可以吧 原以為很厚的一本 沒想到這麼薄 講的知識點 還算可以 老外思維
評分終於等到你發貨，還好沒放棄讀這本書，對新人加深軟件開發的理解很有幫助
評分不錯(*?´╰╯`?)?不錯(*?´╰╯`?)?不錯(*?´╰╯`?)?不錯(*?´╰╯`?)?不錯(*?´╰╯`?)?不錯(*?´╰╯`?)?不錯(*?´╰╯`?)?很好的ヾ ^_^?很好的ヾ ^_^?很好的ヾ ^_^?
評分一如既往，購物是一種習慣，而我習慣瞭京東的速度
評分京東活動購書，書質滿分，非常優惠，買瞭很多慢慢看，點贊京東正品
評分公共號上的文章都看完瞭，在迴過頭來看書，係統性更強
相關圖書
本站所有內容均為互聯網搜尋引擎提供的公開搜索信息，本站不存儲任何數據與內容，任何內容與數據均與本站無關，如有需要請聯繫相關搜索引擎包括但不限於百度，google,bing,sogou 等
© 2025 book.cndgn.com All Rights Reserved. 新城书站 版權所有