李宏毅DLHLP.04.Speech Recognition.2.• Connectionist Temporal Classification (CTC) and more

介绍

本门课程是2020年李宏毅老师新课：Deep Learning for Human Language Processing（深度学习与人类语言处理）
课程网站：http://speech.ee.ntu.edu.tw/~tlkagk/courses_DLHLP20.html
B站视频：https://www.bilibili.com/video/BV1EE411g7Uk?t=222
公式输入请参考：在线Latex公式
本节介绍剩下四个seq2seq模型：
• Connectionist Temporal Classification (CTC)
• RNN Transducer (RNN-T)
• Neural Transducer
• Monotonic Chunkwise Attention (MoChA)

CTC模型

模型只有一个Encoder，这个Encoder是用单向的RNN的，因为如果使用双向RNN，意味着要看完整句话才能做识别，无法做实时识别。输入经过Encoder得到结果后，经过线性的分类器，得到token distribution，右边是线性分类器的结构。

这里需要注意，由于是实时识别，所以encoder的输入acoustic feature会比较的密集，如此密集的acoustic feature不一定会和词对应起来，所以在线性分类器上，加了一个空 $\phi$，意思是当前的acoustic feature如果识别不了就先标记为 $\phi$，等到acoustic feature累积能够识别某个词为止。

在处理输出的时候：
• Input T acoustic features, output T tokens (ignoring down sampling)
• Output tokens including $\phi$, merging duplicate tokens, removing $\phi$
看到空去掉，看到重复的合并
例如：

CTC训练

根据CTC的模型训练得到的结果按理要和ground truth做一对一的交叉熵，然后反向传播。

但是我们发现
声音的acoustic feature和ground truth不是一一对应的。例如下面输入四个acoustic feature，但是ground truth只有两个字符。

alignment

因此需要用到alignment的技术，把ground truth的两个字符变成：


至于如何穷举所有的alignment可能性，如何将同一个acoustic feature对应到多个alignment结果，这些下一小节讲。

结果 略

结巴问题

由于CTC只有一个encoder，Decoder部分实际上就是线性分类器来完成的。

如上图所示，Decoder每次只处理一个acoustic feature，每个Decoder的输出是没有关联的。
假设现在前三个acoustic feature对应的token是【c】，那么本来最上面那里应该输出三个【c】才对，但是由于不知名原因导致了第二个Decoder得到结果是 $\phi$，那么按照CTC的标准：
看到空去掉，看到重复的合并
上面的【c $\phi$c】的结果就是【cc】这个就是结巴了。
老师还给出了解决方案就是CTC和LAS的encoder并联后同时训练。

RNN Transducer (RNN-T)

RNA

Recurrent Neural Aligner
[ Sak, et al., INTERSPEECH’17]
上小节中的CTC Decoder: take one vector as input, output one token
RNA就是把CTC中的线性分类器换为LSTM，就搞定。每次都会看前个step的输出

上面的CTC和RNA都是吃一个输入，吐一个输出，我们想：Can one vector map to multiple tokens?
for example, 【th】只有一个音，【 $\theta$】但是想要模型听到【 $\theta$】输出两个字母。
简单解决方案是将【th】定为一个token，因为token是我们自己定义的。
但是我们希望模型更加的flexible，无论什么样的数据丢过来都可以识别，减少人工干预的部分。
这就是RNN-T模型

RNN-T

RNN-T模型是给定一个输入后，一直输出直到停止（出现 $\phi$表示输出完成，可以看下一个输入）。

整个例子就是：

上图中【_】表示空格
由于每个输入都是以【 $\phi$】输出作为结尾，因此：There are T 【 $\phi$】 in the output.
这里注意RNN-T和CTC一样存在需要alignment问题。
例如：四个输入，两个输出

由于有四个输入，因此输出应该有四个【 $\phi$】

这样的组合还有很多种，All of them are used in training! (How?!)来看看如何做。

解决alignment

会在RNN-T模型上再加一个LM模型（这个不知道可以看下NLP训练营）然后用LM模型的输出接入到RNN-T模型中，这里需要注意LM模型如果碰到【 $\phi$】 则忽略

关于为什么忽略【 $\phi$】

• Language Model can train from text (easy to collect), no $\phi$ in text. LM模型可以单独用文本直接训练，文本中本来就没有 $\phi$
• It is critical for training algorithm. 第二个原因是后面要对所有穷举输出进行处理，所以要忽略 $\phi$，这个在下一节讲。

Neural Transducer

前面的CTC, RNA, RNN-T模型都是每次只读一个acoustic feature，感觉效率较低，Neural Transducer一次读一把acoustic feature，然后再对窗口内的acoustic feature进行attention，由attention来决定要看那些acoustic feature：

模型如下，给定一个窗口的输入后，一直输出直到停止（出现 $\phi$表示输出完成，可以看下一个窗口的输入）。

窗口大小

原文结果：横坐标是窗口大小

MoChA

Monotonic Chunkwise Attention
其思想主要是相对于Neural Transducer模型而言，引入了动态的window大小。类似attention的操作，吃两个向量，输出yes/no
yes表示window放这里
no表示window大小右移一位

例如：

MoChA每次只会Decode一个token，这里没有【 $\phi$】

至于中间判断window的yes/no的地方无法求导，反向传播如何弄可以看原文。这块老师之前的课程里面也有讲：Improving Sequence Generation by GAN

总结

LAS: 就是 seq2seq
CTC: decoder 是 linear classifier 的 seq2seq
RNA: 输入一个东西就要输出一个东西的 seq2seq
RNN-T: 输入一个东西可以输出多个东西的 seq2seq
Neural Transducer: 每次输入一个 window 的 RNN-T
MoCha: window 移东伸缩自如的 Neural Transducer