国产无码综合区,色欲AV无码国产永久播放,无码天堂亚洲国产AV,国产日韩欧美女同一区二区

<sub id="dr8h3"></sub>

<delect id="dr8h3"><sub id="dr8h3"></sub></delect>

<sub id="dr8h3"><thead id="dr8h3"><li id="dr8h3"></li></thead></sub>

<ul id="dr8h3"></ul>

<style id="dr8h3"><optgroup id="dr8h3"><kbd id="dr8h3"></kbd></optgroup></style>

基于深度學(xué)習(xí)的中文語(yǔ)音識(shí)別系統(tǒng)（計(jì)算機(jī)畢設(shè) 附完整代碼）

2年前作者：qiqi_ai_分類(lèi)：Toy博客閱讀(33)違法舉報(bào)

這篇具有很好參考價(jià)值的文章主要介紹了基于深度學(xué)習(xí)的中文語(yǔ)音識(shí)別系統(tǒng)（計(jì)算機(jī)畢設(shè) 附完整代碼）。希望對(duì)大家有所幫助。如果存在錯(cuò)誤或未考慮完全的地方，請(qǐng)大家不吝賜教，您也可以點(diǎn)擊"舉報(bào)違法"按鈕提交疑問(wèn)。

該系統(tǒng)實(shí)現(xiàn)了基于深度框架的語(yǔ)音識(shí)別中的聲學(xué)模型和語(yǔ)言模型建模，其中聲學(xué)模型包括 CNN-CTC、GRU-CTC、CNN-RNN-CTC，語(yǔ)言模型包含 transformer、CBHG，數(shù)據(jù)集包含 stc、primewords、Aishell、thchs30 四個(gè)數(shù)據(jù)集。

本項(xiàng)目現(xiàn)已訓(xùn)練一個(gè)迷你的語(yǔ)音識(shí)別系統(tǒng)，將項(xiàng)目下載到本地上，下載 thchs 數(shù)據(jù)集并解壓至 data，運(yùn)行 test.py，不出意外能夠進(jìn)行識(shí)別，結(jié)果如下：

 the  0 th example.
文本結(jié)果： lv4 shi4 yang2 chun1 yan1 jing3 da4 kuai4 wen2 zhang1 de di3 se4 si4 yue4 de lin2 luan2 geng4 shi4 lv4 de2 xian1 huo2 xiu4 mei4 shi1 yi4 ang4 ran2
原文結(jié)果： lv4 shi4 yang2 chun1 yan1 jing3 da4 kuai4 wen2 zhang1 de di3 se4 si4 yue4 de lin2 luan2 geng4 shi4 lv4 de2 xian1 huo2 xiu4 mei4 shi1 yi4 ang4 ran2
原文漢字： 綠是陽(yáng)春煙景大塊文章的底色四月的林巒更是綠得鮮活秀媚詩(shī)意盎然
識(shí)別結(jié)果： 綠是陽(yáng)春煙景大塊文章的底色四月的林巒更是綠得鮮活秀媚詩(shī)意盎然

若自己建立模型則需要?jiǎng)h除現(xiàn)有模型，重新配置參數(shù)訓(xùn)練，具體實(shí)現(xiàn)流程參考本頁(yè)最后。

2. 聲學(xué)模型

聲學(xué)模型采用 CTC 進(jìn)行建模，采用 CNN-CTC、GRU-CTC、FSMN 等模型 model_speech，采用 keras 作為編寫(xiě)框架。

論文地址：http://www.infocomm-journal.com/dxkx/CN/article/openArticlePDFabs.jsp?id=166970

tutorial：https://blog.csdn.net/chinatelecom08/article/details/85013535

3. 語(yǔ)言模型

新增基于 self-attention 結(jié)構(gòu)的語(yǔ)言模型 model_language\transformer.py，該模型已經(jīng)被證明有強(qiáng)于其他框架的語(yǔ)言表達(dá)能力。

論文地址：https://arxiv.org/abs/1706.03762。

tutorial：https://blog.csdn.net/chinatelecom08/article/details/85051817

基于 CBHG 結(jié)構(gòu)的語(yǔ)言模型 model_language\cbhg.py，該模型之前用于谷歌聲音合成，移植到該項(xiàng)目中作為基于神經(jīng)網(wǎng)絡(luò)的語(yǔ)言模型。

原理地址：https://github.com/crownpku/Somiao-Pinyin

tutorial：https://blog.csdn.net/chinatelecom08/article/details/85048019

4. 數(shù)據(jù)集

包括 stc、primewords、Aishell、thchs30 四個(gè)數(shù)據(jù)集，共計(jì)約 430 小時(shí), 相關(guān)鏈接：http://www.openslr.org/resources.php

Name	train	dev	test
aishell	120098	14326	7176
primewords	40783	5046	5073
thchs-30	10000	893	2495
st-cmd	10000	600	2000

數(shù)據(jù)標(biāo)簽整理在 data 路徑下，其中 primewords、st-cmd 目前未區(qū)分訓(xùn)練集測(cè)試集。

若需要使用所有數(shù)據(jù)集，只需解壓到統(tǒng)一路徑下，然后設(shè)置 utils.py 中 datapath 的路徑即可。

與數(shù)據(jù)相關(guān)參數(shù)在 utils.py 中：

data_type: train, test, dev

data_path: 對(duì)應(yīng)解壓數(shù)據(jù)的路徑

thchs30, aishell, prime, stcmd: 是否使用該數(shù)據(jù)集

batch_size: batch_size

data_length: 我自己做實(shí)驗(yàn)時(shí)寫(xiě)小一些看效果用的，正常使用設(shè)為 None 即可

shuffle：正常訓(xùn)練設(shè)為 True，是否打亂訓(xùn)練順序

defdata_hparams():params=tf.contrib.training.HParams(# vocabdata_type='train',data_path='data/',thchs30=True,aishell=True,prime=False,stcmd=False,batch_size=1,data_length=None,shuffle=False)returnparams

5. 配置

使用 train.py 文件進(jìn)行模型的訓(xùn)練。

聲學(xué)模型可選 cnn-ctc、gru-ctc，只需修改導(dǎo)入路徑即可：

from model_speech.cnn_ctc import Am, am_hparams

from model_speech.gru_ctc import Am, am_hparams

語(yǔ)言模型可選 transformer 和 cbhg:

from model_language.transformer import Lm, lm_hparams

from model_language.cbhg import Lm, lm_hparams

模型識(shí)別

使用 test.py 檢查模型識(shí)別效果。模型選擇需和訓(xùn)練一致。

一個(gè)簡(jiǎn)單的例子

1. 聲學(xué)模型訓(xùn)練

train.py 文件

import os
import tensorflow as tf
from utils import get_data, data_hparams


# 準(zhǔn)備訓(xùn)練所需數(shù)據(jù)
data_args = data_hparams()
data_args.data_length = 10
train_data = get_data(data_args)


# 1.聲學(xué)模型訓(xùn)練-----------------------------------
from model_speech.cnn_ctc import Am, am_hparams
am_args = am_hparams()
am_args.vocab_size = len(train_data.am_vocab)
am = Am(am_args)
if os.path.exists('logs_am/model.h5'):
    print('load acoustic model...')
    am.ctc_model.load_weights('logs_am/model.h5')

epochs = 10
batch_num = len(train_data.wav_lst) // train_data.batch_size

for k in range(epochs):
    print('this is the', k+1, 'th epochs trainning !!!')
    #shuffle(shuffle_list)
    batch = train_data.get_am_batch()
    am.ctc_model.fit_generator(batch, steps_per_epoch=batch_num, epochs=1)

am.ctc_model.save_weights('logs_am/model.h5')

get source list...
load  thchs_train.txt  data...
100%|████████████████████████████████████████████████████████████████████████| 10000/10000 [00:00<00:00, 236865.96it/s]
load  aishell_train.txt  data...
100%|██████████████████████████████████████████████████████████████████████| 120098/120098 [00:00<00:00, 260863.15it/s]
make am vocab...
100%|████████████████████████████████████████████████████████████████████████████████| 10/10 [00:00<00:00, 9986.44it/s]  
make lm pinyin vocab...
100%|████████████████████████████████████████████████████████████████████████████████| 10/10 [00:00<00:00, 9946.18it/s]
make lm hanzi vocab...
100%|████████████████████████████████████████████████████████████████████████████████| 10/10 [00:00<00:00, 9950.90it/s]
Using TensorFlow backend.


_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
the_inputs (InputLayer)      (None, None, 200, 1)      0         
_________________________________________________________________
conv2d_1 (Conv2D)            (None, None, 200, 32)     320       
_________________________________________________________________
batch_normalization_1 (Batch (None, None, 200, 32)     128       
_________________________________________________________________
conv2d_2 (Conv2D)            (None, None, 200, 32)     9248      
_________________________________________________________________
batch_normalization_2 (Batch (None, None, 200, 32)     128       
_________________________________________________________________
max_pooling2d_1 (MaxPooling2 (None, None, 100, 32)     0         
_________________________________________________________________
conv2d_3 (Conv2D)            (None, None, 100, 64)     18496     
_________________________________________________________________
batch_normalization_3 (Batch (None, None, 100, 64)     256       
_________________________________________________________________
conv2d_4 (Conv2D)            (None, None, 100, 64)     36928     
_________________________________________________________________
batch_normalization_4 (Batch (None, None, 100, 64)     256       
_________________________________________________________________
max_pooling2d_2 (MaxPooling2 (None, None, 50, 64)      0         
_________________________________________________________________
conv2d_5 (Conv2D)            (None, None, 50, 128)     73856     
_________________________________________________________________
batch_normalization_5 (Batch (None, None, 50, 128)     512       
_________________________________________________________________
conv2d_6 (Conv2D)            (None, None, 50, 128)     147584    
_________________________________________________________________
batch_normalization_6 (Batch (None, None, 50, 128)     512       
_________________________________________________________________
max_pooling2d_3 (MaxPooling2 (None, None, 25, 128)     0         
_________________________________________________________________
conv2d_7 (Conv2D)            (None, None, 25, 128)     147584    
_________________________________________________________________
batch_normalization_7 (Batch (None, None, 25, 128)     512       
_________________________________________________________________
conv2d_8 (Conv2D)            (None, None, 25, 128)     147584    
_________________________________________________________________
batch_normalization_8 (Batch (None, None, 25, 128)     512       
_________________________________________________________________
conv2d_9 (Conv2D)            (None, None, 25, 128)     147584    
_________________________________________________________________
batch_normalization_9 (Batch (None, None, 25, 128)     512       
_________________________________________________________________
conv2d_10 (Conv2D)           (None, None, 25, 128)     147584    
_________________________________________________________________
batch_normalization_10 (Batc (None, None, 25, 128)     512       
_________________________________________________________________
reshape_1 (Reshape)          (None, None, 3200)        0         
_________________________________________________________________
dense_1 (Dense)              (None, None, 256)         819456    
_________________________________________________________________
dense_2 (Dense)              (None, None, 230)         59110     
=================================================================
Total params: 1,759,174
Trainable params: 1,757,254
Non-trainable params: 1,920
_________________________________________________________________
load acoustic model...

2.語(yǔ)言模型訓(xùn)練

# 2.語(yǔ)言模型訓(xùn)練-------------------------------------------
from model_language.transformer import Lm, lm_hparams


lm_args = lm_hparams()
lm_args.input_vocab_size = len(train_data.pny_vocab)
lm_args.label_vocab_size = len(train_data.han_vocab)
lm = Lm(lm_args)

epochs = 10
with lm.graph.as_default():
    saver =tf.train.Saver()
with tf.Session(graph=lm.graph) as sess:
    merged = tf.summary.merge_all()
    sess.run(tf.global_variables_initializer())
    if os.path.exists('logs_lm/model.meta'):
        print('loading language model...')
        saver.restore(sess, 'logs_lm/model')
    writer = tf.summary.FileWriter('logs_lm/tensorboard', tf.get_default_graph())
    for k in range(epochs):
        total_loss = 0
        batch = train_data.get_lm_batch()
        for i in range(batch_num):
            input_batch, label_batch = next(batch)
            feed = {lm.x: input_batch, lm.y: label_batch}
            cost,_ = sess.run([lm.mean_loss,lm.train_op], feed_dict=feed)
            total_loss += cost
            if (k * batch_num + i) % 10 == 0:
                rs=sess.run(merged, feed_dict=feed)
                writer.add_summary(rs, k * batch_num + i)
        if (k+1) % 5 == 0:
            print('epochs', k+1, ': average loss = ', total_loss/batch_num)
    saver.save(sess, 'logs_lm/model')
    writer.close()

loading language model...
INFO:tensorflow:Restoring parameters from logs_lm/model

3. 模型測(cè)試

整合聲學(xué)模型和語(yǔ)言模型

test.py 文件

定義解碼器

import os
import tensorflow as tf
import numpy as np
from keras import backend as K

# 定義解碼器------------------------------------
def decode_ctc(num_result, num2word):
    result = num_result[:, :, :]
    in_len = np.zeros((1), dtype = np.int32)
    in_len[0] = result.shape[1]
    r = K.ctc_decode(result, in_len, greedy = True, beam_width=10, top_paths=1)
    r1 = K.get_value(r[0][0])
    r1 = r1[0]
    text = []
    for i in r1:
        text.append(num2word[i])
    return r1, text

準(zhǔn)備測(cè)試數(shù)據(jù)

# 0. 準(zhǔn)備解碼所需字典，需和訓(xùn)練一致，也可以將字典保存到本地，直接進(jìn)行讀取
from utils import get_data, data_hparams
data_args = data_hparams()
data_args.data_length = 10 # 重新訓(xùn)練需要注釋該行
train_data = get_data(data_args)


# 3. 準(zhǔn)備測(cè)試所需數(shù)據(jù)， 不必和訓(xùn)練數(shù)據(jù)一致，通過(guò)設(shè)置data_args.data_type測(cè)試，
#    此處應(yīng)設(shè)為'test'，我用了'train'因?yàn)檠菔灸Ｐ洼^小，如果使用'test'看不出效果，
#    且會(huì)出現(xiàn)未出現(xiàn)的詞。
data_args.data_type = 'train'
test_data = get_data(data_args)
am_batch = test_data.get_am_batch()
lm_batch = test_data.get_lm_batch()

get source list...
load  thchs_train.txt  data...
100%|████████████████████████████████████████████████████████████████████████| 10000/10000 [00:00<00:00, 226097.06it/s]
load  aishell_train.txt  data...
100%|██████████████████████████████████████████████████████████████████████| 120098/120098 [00:00<00:00, 226827.96it/s]
make am vocab...
100%|████████████████████████████████████████████████████████████████████████████████| 10/10 [00:00<00:00, 9950.90it/s]
make lm pinyin vocab...
100%|██████████████████████████████████████████████████████████████████████████████████████████| 10/10 [00:00<?, ?it/s]
make lm hanzi vocab...
100%|████████████████████████████████████████████████████████████████████████████████| 10/10 [00:00<00:00, 9953.26it/s]

加載聲學(xué)模型和語(yǔ)言模型

# 1.聲學(xué)模型-----------------------------------
from model_speech.cnn_ctc import Am, am_hparams

am_args = am_hparams()
am_args.vocab_size = len(train_data.am_vocab)
am = Am(am_args)
print('loading acoustic model...')
am.ctc_model.load_weights('logs_am/model.h5')

# 2.語(yǔ)言模型-------------------------------------------
from model_language.transformer import Lm, lm_hparams

lm_args = lm_hparams()
lm_args.input_vocab_size = len(train_data.pny_vocab)
lm_args.label_vocab_size = len(train_data.han_vocab)
print('loading language model...')
lm = Lm(lm_args)
sess = tf.Session(graph=lm.graph)
with lm.graph.as_default():
    saver =tf.train.Saver()
with sess.as_default():
    saver.restore(sess, 'logs_lm/model')

_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
the_inputs (InputLayer)      (None, None, 200, 1)      0         
_________________________________________________________________
conv2d_11 (Conv2D)           (None, None, 200, 32)     320       
_________________________________________________________________
batch_normalization_11 (Batc (None, None, 200, 32)     128       
_________________________________________________________________
conv2d_12 (Conv2D)           (None, None, 200, 32)     9248      
_________________________________________________________________
batch_normalization_12 (Batc (None, None, 200, 32)     128       
_________________________________________________________________
max_pooling2d_4 (MaxPooling2 (None, None, 100, 32)     0         
_________________________________________________________________
conv2d_13 (Conv2D)           (None, None, 100, 64)     18496     
_________________________________________________________________
batch_normalization_13 (Batc (None, None, 100, 64)     256       
_________________________________________________________________
conv2d_14 (Conv2D)           (None, None, 100, 64)     36928     
_________________________________________________________________
batch_normalization_14 (Batc (None, None, 100, 64)     256       
_________________________________________________________________
max_pooling2d_5 (MaxPooling2 (None, None, 50, 64)      0         
_________________________________________________________________
conv2d_15 (Conv2D)           (None, None, 50, 128)     73856     
_________________________________________________________________
batch_normalization_15 (Batc (None, None, 50, 128)     512       
_________________________________________________________________
conv2d_16 (Conv2D)           (None, None, 50, 128)     147584    
_________________________________________________________________
batch_normalization_16 (Batc (None, None, 50, 128)     512       
_________________________________________________________________
max_pooling2d_6 (MaxPooling2 (None, None, 25, 128)     0         
_________________________________________________________________
conv2d_17 (Conv2D)           (None, None, 25, 128)     147584    
_________________________________________________________________
batch_normalization_17 (Batc (None, None, 25, 128)     512       
_________________________________________________________________
conv2d_18 (Conv2D)           (None, None, 25, 128)     147584    
_________________________________________________________________
batch_normalization_18 (Batc (None, None, 25, 128)     512       
_________________________________________________________________
conv2d_19 (Conv2D)           (None, None, 25, 128)     147584    
_________________________________________________________________
batch_normalization_19 (Batc (None, None, 25, 128)     512       
_________________________________________________________________
conv2d_20 (Conv2D)           (None, None, 25, 128)     147584    
_________________________________________________________________
batch_normalization_20 (Batc (None, None, 25, 128)     512       
_________________________________________________________________
reshape_2 (Reshape)          (None, None, 3200)        0         
_________________________________________________________________
dense_3 (Dense)              (None, None, 256)         819456    
_________________________________________________________________
dense_4 (Dense)              (None, None, 230)         59110     
=================================================================
Total params: 1,759,174
Trainable params: 1,757,254
Non-trainable params: 1,920
_________________________________________________________________
loading acoustic model...
loading language model...
INFO:tensorflow:Restoring parameters from logs_lm/model

使用語(yǔ)音識(shí)別系統(tǒng)


for i in range(5):
    print('\n the ', i, 'th example.')
    # 載入訓(xùn)練好的模型，并進(jìn)行識(shí)別
    inputs, outputs = next(am_batch)
    x = inputs['the_inputs']
    y = inputs['the_labels'][0]
    result = am.model.predict(x, steps=1)
    # 將數(shù)字結(jié)果轉(zhuǎn)化為文本結(jié)果
    _, text = decode_ctc(result, train_data.am_vocab)
    text = ' '.join(text)
    print('文本結(jié)果：', text)
    print('原文結(jié)果：', ' '.join([train_data.am_vocab[int(i)] for i in y]))
    with sess.as_default():
        _, y = next(lm_batch)
        text = text.strip('\n').split(' ')
        x = np.array([train_data.pny_vocab.index(pny) for pny in text])
        x = x.reshape(1, -1)
        preds = sess.run(lm.preds, {lm.x: x})
        got = ''.join(train_data.han_vocab[idx] for idx in preds[0])
        print('原文漢字：', ''.join(train_data.han_vocab[idx] for idx in y[0]))
        print('識(shí)別結(jié)果：', got)
sess.close()

 the  0 th example.
文本結(jié)果： lv4 shi4 yang2 chun1 yan1 jing3 da4 kuai4 wen2 zhang1 de di3 se4 si4 yue4 de lin2 luan2 geng4 shi4 lv4 de2 xian1 huo2 xiu4 mei4 shi1 yi4 ang4 ran2
原文結(jié)果： lv4 shi4 yang2 chun1 yan1 jing3 da4 kuai4 wen2 zhang1 de di3 se4 si4 yue4 de lin2 luan2 geng4 shi4 lv4 de2 xian1 huo2 xiu4 mei4 shi1 yi4 ang4 ran2
原文漢字： 綠是陽(yáng)春煙景大塊文章的底色四月的林巒更是綠得鮮活秀媚詩(shī)意盎然
識(shí)別結(jié)果： 綠是陽(yáng)春煙景大塊文章的底色四月的林巒更是綠得鮮活秀媚詩(shī)意盎然

 the  1 th example.
文本結(jié)果： ta1 jin3 ping2 yao1 bu4 de li4 liang4 zai4 yong3 dao4 shang4 xia4 fan1 teng2 yong3 dong4 she2 xing2 zhuang4 ru2 hai3 tun2 yi4 zhi2 yi3 yi1 tou2 de you1 shi4 ling3 xian1
原文結(jié)果： ta1 jin3 ping2 yao1 bu4 de li4 liang4 zai4 yong3 dao4 shang4 xia4 fan1 teng2 yong3 dong4 she2 xing2 zhuang4 ru2 hai3 tun2 yi4 zhi2 yi3 yi1 tou2 de you1 shi4 ling3 xian1
原文漢字： 他僅憑腰部的力量在泳道上下翻騰蛹動(dòng)蛇行狀如海豚一直以一頭的優(yōu)勢(shì)領(lǐng)先
識(shí)別結(jié)果： 他僅憑腰部的力量在泳道上下翻騰蛹動(dòng)蛇行狀如海豚一直以一頭的優(yōu)勢(shì)領(lǐng)先

 the  2 th example.
文本結(jié)果： pao4 yan3 da3 hao3 le zha4 yao4 zen3 me zhuang1 yue4 zheng4 cai2 yao3 le yao3 ya2 shu1 di4 tuo1 qu4 yi1 fu2 guang1 bang3 zi chong1 jin4 le shui3 cuan4 dong4
原文結(jié)果： pao4 yan3 da3 hao3 le zha4 yao4 zen3 me zhuang1 yue4 zheng4 cai2 yao3 le yao3 ya2 shu1 di4 tuo1 qu4 yi1 fu2 guang1 bang3 zi chong1 jin4 le shui3 cuan4 dong4
原文漢字： 炮眼打好了炸藥怎么裝岳正才咬了咬牙倏地脫去衣服光膀子沖進(jìn)了水竄洞
識(shí)別結(jié)果： 炮眼打好了炸藥怎么裝岳正才咬了咬牙倏地脫去衣服光膀子沖進(jìn)了水竄洞

 the  3 th example.
文本結(jié)果： ke3 shei2 zhi1 wen2 wan2 hou4 ta1 yi1 zhao4 jing4 zi zhi1 jian4 zuo3 xia4 yan3 jian3 de xian4 you4 cu1 you4 hei1 yu3 you4 ce4 ming2 xian3 bu2 dui4 cheng1
原文結(jié)果： ke3 shei2 zhi1 wen2 wan2 hou4 ta1 yi1 zhao4 jing4 zi zhi1 jian4 zuo3 xia4 yan3 jian3 de xian4 you4 cu1 you4 hei1 yu3 you4 ce4 ming2 xian3 bu2 dui4 cheng1
原文漢字： 可誰(shuí)知紋完后她一照鏡子只見(jiàn)左下眼瞼的線(xiàn)又粗又黑與右側(cè)明顯不對(duì)稱(chēng)
識(shí)別結(jié)果： 可誰(shuí)知紋完后她一照鏡子知見(jiàn)左下眼瞼的線(xiàn)右粗右黑與右側(cè)明顯不對(duì)稱(chēng)

 the  4 th example.
文本結(jié)果： yi1 jin4 men2 wo3 bei4 jing1 dai1 le zhe4 hu4 ming2 jiao4 pang2 ji2 de lao3 nong2 shi4 kang4 mei3 yuan2 chao2 fu4 shang1 hui2 xiang1 de lao3 bing1 qi1 zi3 chang2 nian2 you3 bing4 jia1 tu2 si4 bi4 yi1 pin2 ru2 xi3
原文結(jié)果： yi1 jin4 men2 wo3 bei4 jing1 dai1 le zhe4 hu4 ming2 jiao4 pang2 ji2 de lao3 nong2 shi4 kang4 mei3 yuan2 chao2 fu4 shang1 hui2 xiang1 de lao3 bing1 qi1 zi3 chang2 nian2 you3 bing4 jia1 tu2 si4 bi4 yi1 pin2 ru2 xi3
原文漢字： 一進(jìn)門(mén)我被驚呆了這戶(hù)名叫龐吉的老農(nóng)是抗美援朝負(fù)傷回鄉(xiāng)的老兵妻子長(zhǎng)年有病家徒四壁一貧如洗
識(shí)別結(jié)果： 一進(jìn)門(mén)我被驚呆了這戶(hù)名叫龐吉的老農(nóng)是抗美援朝負(fù)傷回鄉(xiāng)的老兵妻子長(zhǎng)年有病家徒四壁一貧如洗

完整代碼：https://download.csdn.net/download/qq_38735017/87387313?ops_request_misc=%257B%2522request%255Fid%2522%253A%2522167400364016800217085113%2522%252C%2522scm%2522%253A%252220140713.130102334.pc%255Fdownload.%2522%257D&request_id=167400364016800217085113&biz_id=1&utm_medium=distribute.pc_search_result.none-task-download-2~download~first_rank_ecpm_v1~rank_v31_ecpm-1-87387313-null-null.pc_v2_rank_dl_default&utm_term=%E5%9F%BA%E4%BA%8E%E6%B7%B1%E5%BA%A6%E5%AD%A6%E4%B9%A0%E7%9A%84%E4%B8%AD%E6%96%87%E8%AF%AD%E9%9F%B3%E8%AF%86%E5%88%AB%E7%B3%BB%E7%BB%9F%28%E5%AE%8C%E6%95%B4%E4%BB%A3%E7%A0%81%2B%E6%8A%A5%E5%91%8A%2B%E6%AF%95%E4%B8%9A%E8%AE%BE%E8%AE%A1%29&spm=1018.2226.3001.4451.1文章來(lái)源地址http://www.zghlxwxcb.cn/news/detail-510623.html

到了這里，關(guān)于基于深度學(xué)習(xí)的中文語(yǔ)音識(shí)別系統(tǒng)（計(jì)算機(jī)畢設(shè) 附完整代碼）的文章就介紹完了。如果您還想了解更多內(nèi)容，請(qǐng)?jiān)谟疑辖撬阉鱐OY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！

本文來(lái)自互聯(lián)網(wǎng)用戶(hù)投稿，該文觀點(diǎn)僅代表作者本人，不代表本站立場(chǎng)。本站僅提供信息存儲(chǔ)空間服務(wù)，不擁有所有權(quán)，不承擔(dān)相關(guān)法律責(zé)任。如若轉(zhuǎn)載，請(qǐng)注明出處：如若內(nèi)容造成侵權(quán)/違法違規(guī)/事實(shí)不符，請(qǐng)點(diǎn)擊違法舉報(bào)進(jìn)行投訴反饋，一經(jīng)查實(shí)，立即刪除！

分享到：

領(lǐng)支付寶紅包贊助服務(wù)器費(fèi)用

基于深度學(xué)習(xí)的人臉表情識(shí)別計(jì)算機(jī)競(jìng)賽
?? 優(yōu)質(zhì)競(jìng)賽項(xiàng)目系列，今天要分享的是基于深度學(xué)習(xí)的人臉表情識(shí)別該項(xiàng)目較為新穎，適合作為競(jìng)賽課題方向，學(xué)長(zhǎng)非常推薦！ ?? 更多資料, 項(xiàng)目分享： https://gitee.com/dancheng-senior/postgraduate 面部表情識(shí)別技術(shù)源于1971年心理學(xué)家Ekman和Friesen的一項(xiàng)研究，他們提出人類(lèi)主要有
2024年02月06日
瀏覽(786)
計(jì)算機(jī)設(shè)計(jì)大賽題目：基于深度學(xué)習(xí)的中文對(duì)話(huà)問(wèn)答機(jī)器人
?? 優(yōu)質(zhì)競(jìng)賽項(xiàng)目系列，今天要分享的是基于深度學(xué)習(xí)的中文對(duì)話(huà)問(wèn)答機(jī)器人該項(xiàng)目較為新穎，適合作為競(jìng)賽課題方向，學(xué)長(zhǎng)非常推薦！ ?? 更多資料, 項(xiàng)目分享： https://gitee.com/dancheng-senior/postgraduate 整個(gè)項(xiàng)目分為數(shù)據(jù)清洗和建立模型兩個(gè)部分。（1）主要定義了seq2seq這樣
2024年04月12日
瀏覽(1880)
基于樹(shù)莓派構(gòu)建深度學(xué)習(xí)語(yǔ)音識(shí)別系統(tǒng)
+v hezkz17進(jìn)數(shù)字音頻系統(tǒng)研究開(kāi)發(fā)交流答疑裙 ? 1 Linux 音頻框架如何做語(yǔ)音識(shí)別系統(tǒng)？ ? 要在Linux上構(gòu)建一個(gè)語(yǔ)音識(shí)別系統(tǒng)，可以使用以下步驟和工具：安裝音頻框架：在Linux上運(yùn)行語(yǔ)音識(shí)別系統(tǒng)需要一個(gè)適當(dāng)?shù)囊纛l框架。常見(jiàn)的選擇包括 ALSA（Advanced Linux Sound Architecture）和
2024年02月15日
瀏覽(24)
計(jì)算機(jī)競(jìng)賽題目：基于深度學(xué)習(xí)的手勢(shì)識(shí)別實(shí)現(xiàn)
?? 優(yōu)質(zhì)競(jìng)賽項(xiàng)目系列，今天要分享的是基于深度學(xué)習(xí)的手勢(shì)識(shí)別實(shí)現(xiàn) 該項(xiàng)目較為新穎，適合作為競(jìng)賽課題方向，學(xué)長(zhǎng)非常推薦！ ?? 更多資料, 項(xiàng)目分享： https://gitee.com/dancheng-senior/postgraduate 手勢(shì)識(shí)別在深度學(xué)習(xí)項(xiàng)目是算是比較簡(jiǎn)單的。這里為了給大家會(huì)更好的訓(xùn)練。其中
2024年02月07日
瀏覽(101)
計(jì)算機(jī)競(jìng)賽基于深度學(xué)習(xí)的人臉性別年齡識(shí)別 - 圖像識(shí)別 opencv
?? 優(yōu)質(zhì)競(jìng)賽項(xiàng)目系列，今天要分享的是 ?? 畢業(yè)設(shè)計(jì) 人臉性別年齡識(shí)別系統(tǒng) - 圖像識(shí)別 opencv 該項(xiàng)目較為新穎，適合作為競(jìng)賽課題方向，學(xué)長(zhǎng)非常推薦！ ??學(xué)長(zhǎng)這里給一個(gè)題目綜合評(píng)分(每項(xiàng)滿(mǎn)分5分) 難度系數(shù)：3分工作量：3分創(chuàng)新點(diǎn)：3分 ?? 更多資料, 項(xiàng)目分享： https
2024年02月10日
瀏覽(96)
基于深度學(xué)習(xí)的人臉性別年齡識(shí)別 - 圖像識(shí)別 opencv 計(jì)算機(jī)競(jìng)賽
?? 優(yōu)質(zhì)競(jìng)賽項(xiàng)目系列，今天要分享的是 ?? 畢業(yè)設(shè)計(jì) 人臉性別年齡識(shí)別系統(tǒng) - 圖像識(shí)別 opencv 該項(xiàng)目較為新穎，適合作為競(jìng)賽課題方向，學(xué)長(zhǎng)非常推薦！ ??學(xué)長(zhǎng)這里給一個(gè)題目綜合評(píng)分(每項(xiàng)滿(mǎn)分5分) 難度系數(shù)：3分工作量：3分創(chuàng)新點(diǎn)：3分 ?? 更多資料, 項(xiàng)目分享： https
2024年02月06日
瀏覽(95)
計(jì)算機(jī)競(jìng)賽基于深度學(xué)習(xí)的動(dòng)物識(shí)別 - 卷積神經(jīng)網(wǎng)絡(luò) 機(jī)器視覺(jué) 圖像識(shí)別
?? 優(yōu)質(zhì)競(jìng)賽項(xiàng)目系列，今天要分享的是基于深度學(xué)習(xí)的動(dòng)物識(shí)別算法研究與實(shí)現(xiàn) 該項(xiàng)目較為新穎，適合作為競(jìng)賽課題方向，學(xué)長(zhǎng)非常推薦！ ?? 更多資料, 項(xiàng)目分享： https://gitee.com/dancheng-senior/postgraduate 目前，由于計(jì)算機(jī)能力和相關(guān)理論的發(fā)展獲得了重大突破，基于深度學(xué)
2024年02月09日
瀏覽(99)
計(jì)算機(jī)競(jìng)賽基于深度學(xué)習(xí)的植物識(shí)別算法 - cnn opencv python
?? 優(yōu)質(zhì)競(jìng)賽項(xiàng)目系列，今天要分享的是 ?? **基于深度學(xué)習(xí)的植物識(shí)別算法 ** 該項(xiàng)目較為新穎，適合作為競(jìng)賽課題方向，學(xué)長(zhǎng)非常推薦！ ??學(xué)長(zhǎng)這里給一個(gè)題目綜合評(píng)分(每項(xiàng)滿(mǎn)分5分) 難度系數(shù)：3分工作量：4分創(chuàng)新點(diǎn)：4分 ?? 更多資料, 項(xiàng)目分享： https://gitee.com/dancheng
2024年02月09日
瀏覽(96)
python+深度學(xué)習(xí)+opencv實(shí)現(xiàn)植物識(shí)別算法系統(tǒng) 計(jì)算機(jī)競(jìng)賽
?? 優(yōu)質(zhì)競(jìng)賽項(xiàng)目系列，今天要分享的是 ?? 基于深度學(xué)習(xí)的植物識(shí)別算法研究與實(shí)現(xiàn) ??學(xué)長(zhǎng)這里給一個(gè)題目綜合評(píng)分(每項(xiàng)滿(mǎn)分5分) 難度系數(shù)：4分工作量：4分創(chuàng)新點(diǎn)：4分 ?? 更多資料, 項(xiàng)目分享： https://gitee.com/dancheng-senior/postgraduate Google DeepMind公司研究員與牛津大學(xué)計(jì)算
2024年02月07日
瀏覽(24)
計(jì)算機(jī)競(jìng)賽深度學(xué)習(xí) 機(jī)器視覺(jué) 人臉識(shí)別系統(tǒng) - opencv python
?? 優(yōu)質(zhì)競(jìng)賽項(xiàng)目系列，今天要分享的是 ?? 深度學(xué)習(xí) 機(jī)器視覺(jué) 人臉識(shí)別系統(tǒng) 該項(xiàng)目較為新穎，適合作為競(jìng)賽課題方向，學(xué)長(zhǎng)非常推薦！ ??學(xué)長(zhǎng)這里給一個(gè)題目綜合評(píng)分(每項(xiàng)滿(mǎn)分5分) 難度系數(shù)：3分工作量：3分創(chuàng)新點(diǎn)：3分 ?? 更多資料, 項(xiàng)目分享： https://gitee.com/dancheng
2024年02月07日
瀏覽(103)

<sub id="tejow"><tr id="tejow"><var id="tejow"></var></tr></sub>