Listen、Attention、Spell模型

LAS是一个做语音识别的经典seq2seq模型，主要分为三个部分Listen、Attention、Spell

Listen

Listen部分就是一个encoder。
输入声学特征向量，提取信息、消除噪声，输出向量。

encoder可以是RNN

也可以是CNN。比较常见的是先用CNN，再用RNN

还有一种趋势是使用Self-Attention

Down Sampling减少取样

由于声音的采集通常都是很大数据量的。比如采样率为16KHz需要在一秒钟采集16000个采样点，所以通常需要对声音的特征向量进行Down Sampling，减少样本数。

对于RNN，
方法一是通过使用两层RNN，4个向量通过第一层RNN输出4个向量，通过第二个RNN输出2个向量
方法二是把通过RNN输出的四个向量中，每隔一个输出向量

对于CNN，使用TDNN的方法，可以认为一段附近的几个特征向量差不多，采取使用第一个和最后一个向量，减少样本参数。

对于Self-Attention，计算当前向量和所有向量（1秒16K）计算量太大，只计算一个范围内的注意力。

Attention

我们可以直接编码解码之后直接输出，但是我们当前的编码解码不仅限于这一个编码向量，还取决于周围的编码向量，所以要做attention。

注意力机制如下图所示。 z z z是待训练的向量，初始时随机初始化， z z z与每个 h h h做match得到注意力分数 α α α。
match的方法有两种，一种是Dot-product，另一种是Addictive。

做完match之后，每个 h h h的注意力分数 α α α做softmax，然后对应比例的h相乘相加，得到向量 c c c， c 0 c^{0} c0作为decoder（Spell）的输入。

Spell

c 0 c^{0} c0作为decoder的输入
随机初始化的 z 0 z^{0} z0经过训练之后得到 z 1 z^{1} z1， z 1 z^{1} z1作为RNN的隐状态输入
通过RNN，输出|V|维向量经过Softmax，输出最大概率的token。

z 1 z^{1} z1作为待训练的向量，与每个 h h h做attention，得到 c 1 c^{1} c1作为输入
把得到的Token加入RNN网络， z 1 z^{1} z1训练后得到的 z 2 z^{2} z2作为隐状态，训练得到下一个Token