人工智能正在推動(dòng)第四次工業(yè)革命，其機(jī)器可以在超人的水平上聽(tīng)到、看到、理解、分析，然后做出明智的決定。然而，人工智能的有效性取決于基礎(chǔ)模型的質(zhì)量。因此，無(wú)論您是學(xué)術(shù)研究人員還是數(shù)據(jù)科學(xué)家，您都希望使用各種參數(shù)快速構(gòu)建模型，并確定最有效的解決方案。

在這篇文章中，我們將引導(dǎo)您在 GPU NVIDIA 供電的 AWS 實(shí)例上使用 PyTorch Lightning構(gòu)建語(yǔ)音模型。

PyTorch Lightning + Grid.ai ：以更快的速度按比例構(gòu)建模型

NGC 目錄 Lightning 是用于高性能 AI 研究的輕量級(jí) PyTorch 包裝。使用 Lightning 組織 PyTorch 代碼可以在多個(gè) GPU 和 TPU CPU 上進(jìn)行無(wú)縫培訓(xùn)，并使用難以實(shí)施的最佳實(shí)踐，如檢查點(diǎn)、日志記錄、分片和混合精度。 PyTorch 上提供了 PyTorch Lightning 容器和開(kāi)發(fā)人員環(huán)境。

網(wǎng)格使您能夠?qū)⑴嘤?xùn)從筆記本電腦擴(kuò)展到云端，而無(wú)需修改代碼。 Grid 在 AWS 等云提供商上運(yùn)行，支持 Lightning 以及 Sci 工具包、 TensorFlow 、 Keras 、 PyTorch 等所有經(jīng)典機(jī)器學(xué)習(xí)框架。使用 Grid ，可以縮放 NGC 目錄中模型的訓(xùn)練。

NGC ： GPU 優(yōu)化 AI 軟件的中心

NGC 目錄是 GPU 優(yōu)化軟件（包括AI / ML 容器、預(yù)訓(xùn)練模型和 SDK ）的中心，這些軟件可以輕松部署到內(nèi)部部署、云、邊緣和混合環(huán)境中。 NGC 提供 NVIDIA TAO 工具套件，可使用自定義數(shù)據(jù)和 NVIDIA Triton 推理服務(wù)器對(duì)模型進(jìn)行再培訓(xùn)，以便在 CPU 和 GPU 供電系統(tǒng)上運(yùn)行預(yù)測(cè)。

本文的其余部分將指導(dǎo)您如何利用NGC 目錄中的模型和 NVIDIA NeMo 框架，在 PyTorch 教程的基礎(chǔ)上，使用以下tutorial使用帶 NeMo 的 ASR Lightning 訓(xùn)練自動(dòng)語(yǔ)音識(shí)別（ ASR ）模型。

圖 1 。人工智能模型訓(xùn)練過(guò)程

通過(guò)網(wǎng)格課程培訓(xùn) NGC 模型， PyTorch Lightning 和 NVIDIA NeMo

ASR 是將口語(yǔ)轉(zhuǎn)錄成文本的任務(wù)，是語(yǔ)音 – 文本系統(tǒng)的關(guān)鍵組成部分。在訓(xùn)練 ASR 模型時(shí)，您的目標(biāo)是從給定的音頻輸入中生成文本，以最小化人類轉(zhuǎn)錄語(yǔ)音的單詞錯(cuò)誤率（ WER ）度量。 NGC 目錄包含 ASR 最先進(jìn)的預(yù)訓(xùn)練模型。

在本文的其余部分中，我們將向您展示如何使用網(wǎng)格會(huì)話 NVIDIA NeMo 和 PyTorch Lightning 在AN4 數(shù)據(jù)集上對(duì)這些模型進(jìn)行微調(diào)。

AN4 數(shù)據(jù)集，也稱為字母數(shù)字?jǐn)?shù)據(jù)集，由卡內(nèi)基梅隆大學(xué)收集和發(fā)布。它包括人們拼寫(xiě)地址、姓名、電話號(hào)碼等的錄音，一次一個(gè)字母或號(hào)碼，以及相應(yīng)的成績(jī)單。

步驟 1 ：創(chuàng)建針對(duì) Lightning 和預(yù)訓(xùn)練 NGC 模型優(yōu)化的網(wǎng)格會(huì)話

網(wǎng)格會(huì)話運(yùn)行在需要擴(kuò)展的相同硬件上，同時(shí)為您提供預(yù)配置的環(huán)境，以比以前更快地迭代機(jī)器學(xué)習(xí)過(guò)程的研究階段。會(huì)話鏈接到 GitHub ，使用 JupyterHub 加載，可以通過(guò) SSH 和您選擇的 IDE 進(jìn)行訪問(wèn)，而無(wú)需自己進(jìn)行任何設(shè)置。

對(duì)于會(huì)話，您只需支付使基線運(yùn)行所需的計(jì)算費(fèi)用，然后您就可以通過(guò)網(wǎng)格運(yùn)行將工作擴(kuò)展到云。網(wǎng)格會(huì)話針對(duì)托管在 NGC 目錄上的 PyTorch Lightning 和模型進(jìn)行了優(yōu)化。他們甚至提供專門(mén)的現(xiàn)貨定價(jià)。

圖 2 。創(chuàng)建網(wǎng)格會(huì)話的工作流

步驟 2 ：克隆 ASR 演示報(bào)告并打開(kāi)教程筆記本

現(xiàn)在您有了一個(gè)針對(duì) PyTorch Lightning 優(yōu)化的開(kāi)發(fā)人員環(huán)境，下一步是克隆 NGC Lightning Grid Workshop repo 。

您可以使用以下命令直接從網(wǎng)格會(huì)話中的終端執(zhí)行此操作：

git clone https://github.com/aribornstein/NGC-Lightning-Grid-Workshop.git

克隆 repo 后，可以打開(kāi)筆記本，使用 NeMo 和 PyTorch Lightning 對(duì) NGC 托管模型進(jìn)行微調(diào)。

步驟 3 ：安裝 NeMo ASR 依賴項(xiàng)

首先，安裝所有會(huì)話依賴項(xiàng)。運(yùn)行 PyTorch Lightning 和 NeMo 等工具，并處理 AN4 數(shù)據(jù)集以完成此操作。運(yùn)行教程筆記本中的第一個(gè)單元格，該單元格運(yùn)行以下 bash 命令來(lái)安裝依賴項(xiàng)。

## Install dependencies
!pip install wget
!sudo apt-get install sox libsndfile1 ffmpeg -y
!pip install unidecode
!pip install matplotlib>=3.3.2
## Install NeMo
BRANCH = 'main'
!python -m pip install --user git+https://github.com/NVIDIA/NeMo.git@$BRANCH#egg=nemo_toolkit[all]
## Grab the config we'll use in this example
!mkdir configs
!wget -P configs/ https://raw.githubusercontent.com/NVIDIA/NeMo/$BRANCH/examples/asr/conf/config.yaml

步驟 4 ：轉(zhuǎn)換并可視化 AN4 數(shù)據(jù)集

AN4 數(shù)據(jù)集以原始 Sof 音頻文件的形式提供，但大多數(shù)模型在mel p 頻譜圖上處理。請(qǐng)將 Sof 文件轉(zhuǎn)換為 Wav 格式，以便使用 NeMo 音頻處理。

import librosa
import IPython.display as ipd
import glob
import os
import subprocess
import tarfile
import wget

# Download the dataset. This will take a few moments...
print("******")
if not os.path.exists(data_dir + '/an4_sphere.tar.gz'):
    an4_url = 'http://www.speech.cs.cmu.edu/databases/an4/an4_sphere.tar.gz'
    an4_path = wget.download(an4_url, data_dir)
    print(f"Dataset downloaded at: {an4_path}")
else:
    print("Tarfile already exists.")
    an4_path = data_dir + '/an4_sphere.tar.gz'

if not os.path.exists(data_dir + '/an4/'):
    # Untar and convert .sph to .wav (using sox)
    tar = tarfile.open(an4_path)
    tar.extractall(path=data_dir)

    print("Converting .sph to .wav...")
    sph_list = glob.glob(data_dir + '/an4/**/*.sph', recursive=True)
    for sph_path in sph_list:
        wav_path = sph_path[:-4] + '.wav'
        cmd = ["sox", sph_path, wav_path]
        subprocess.run(cmd)
print("Finished conversion.
******")
# Load and listen to the audio file
example_file = data_dir + '/an4/wav/an4_clstk/mgah/cen2-mgah-b.wav'
audio, sample_rate = librosa.load(example_file)
ipd.Audio(example_file, rate=sample_rate)

然后，您可以將音頻示例可視化為音頻波形的圖像。圖 3 顯示了與音頻中每個(gè)字母對(duì)應(yīng)的波形中的活動(dòng)，正如您的揚(yáng)聲器在這里非常清楚地闡明的那樣！

圖 3 示例的音頻波形

每個(gè)口語(yǔ)字母都有不同的“形狀”。有趣的是，最后兩個(gè)字母看起來(lái)相對(duì)相似，這是因?yàn)樗鼈兌际亲帜?N 。

頻譜圖

在聲音頻率隨時(shí)間變化的情況下，音頻建模更容易。您可以得到比 57330 個(gè)值的原始序列更好的表示。 頻譜圖是一種很好的可視化音頻中各種頻率強(qiáng)度隨時(shí)間變化的方式。它是通過(guò)將信號(hào)分成更小的、通常重疊的塊，并對(duì)每個(gè)塊執(zhí)行短時(shí)傅立葉變換（ STFT ）來(lái)獲得的。

圖 4 顯示了樣本的頻譜圖 的外觀。

圖 4 示例的音頻譜圖

與前面的波形一樣，您可以看到每個(gè)字母的發(fā)音。你如何解釋這些形狀和顏色？與前面的波形圖一樣，您可以看到時(shí)間在 x 軸上流逝（所有 2 。 6 秒的音頻）。但是，現(xiàn)在 y 軸表示不同的頻率（對(duì)數(shù)刻度），并且圖上的顏色顯示特定時(shí)間點(diǎn)的頻率強(qiáng)度。

Mel 頻譜圖

您仍然沒(méi)有完成，因?yàn)槟梢酝ㄟ^(guò)使用 mel 頻譜圖可視化數(shù)據(jù)來(lái)進(jìn)行一個(gè)更可能有用的調(diào)整。將頻率比例從線性（或?qū)?shù)）更改為 mel 比例，這樣可以更好地表示人耳可感知的音調(diào)。 Mel 頻譜圖直觀上對(duì) ASR 有用。因?yàn)槟谔幚砗娃D(zhuǎn)錄人類語(yǔ)音，所以 mel 頻譜圖可以減少可能影響模型的背景噪聲。

圖 5 示例的 Mel spe CTR 圖

步驟 5 ：從 NGC 加載并推斷預(yù)訓(xùn)練的 QuartzNet 模型

既然您已經(jīng)加載并正確理解了 AN4 數(shù)據(jù)集，那么看看如何使用 NGC 加載一個(gè) ASR 模型，以便使用 PyTorch Lightning 進(jìn)行微調(diào)。 NeMo 的 ASR 集合包含許多構(gòu)建塊，甚至完整的模型，您可以使用它們進(jìn)行培訓(xùn)和評(píng)估。此外，有幾種型號(hào)帶有預(yù)訓(xùn)練重量。

要為這篇文章建模數(shù)據(jù)，可以使用名為來(lái)自 NGC 模型中心的 QuartzNet的 Jasper 體系結(jié)構(gòu)。 Jasper 體系結(jié)構(gòu)由重復(fù)的塊結(jié)構(gòu)組成，這些塊結(jié)構(gòu)使用 1D 卷積對(duì) spe CTR 圖形數(shù)據(jù)建模（圖 6 ）。

圖 6 Jasper / QuartzNet 模型

QuartzNet 是 Jasper 的一個(gè)更好的變體，關(guān)鍵區(qū)別在于它使用時(shí)間通道可分離的一維卷積。這使得它能夠在保持類似精度的同時(shí)大幅減少權(quán)重的數(shù)量。

下面的命令從 NGC 目錄下載預(yù)訓(xùn)練的 QuartzNet15x5 模型，并為您實(shí)例化它.

tgmuartznet = nemo_asr.models.EncDecCTCModel.from_pretrained(model_name="QuartzNet15x5Base-En")

步驟 6 ：使用 Lightning 微調(diào)模型

當(dāng)您擁有一個(gè)模型時(shí)，您可以使用 PyTorch Lightning 對(duì)其進(jìn)行微調(diào)，如下所示。

import pytorch_lightning as pl
from omegaconf import DictConfig
trainer = pl.Trainer(gpus=1, max_epochs=10)
params['model']['train_ds']['manifest_filepath'] = train_manifest
params['model']['validation_ds']['manifest_filepath'] = test_manifest
first_asr_model = nemo_asr.models.EncDecCTCModel(cfg=DictConfig(params['model']), trainer=trainer)

# Start training!!!
trainer.fit(first_asr_model)

因?yàn)槟褂玫氖?Lightning Trainer ，所以您獲得了一些關(guān)鍵優(yōu)勢(shì)，例如默認(rèn)情況下的模型檢查點(diǎn)和日志記錄。您還可以使用 50 +種最佳實(shí)踐策略，而無(wú)需修改模型代碼，包括多 GPU 訓(xùn)練、模型切分、深度速度、量化感知訓(xùn)練、提前停止、混合精度、漸變剪裁和分析。

圖 7 微調(diào)策略

步驟 7 ：推斷和部署

既然您有了一個(gè)基線模型，那么就推斷它。

圖 9 運(yùn)行推斷

步驟 8 ：暫停會(huì)話

現(xiàn)在您已經(jīng)訓(xùn)練了模型，您可以暫停會(huì)話，并保存您需要的所有文件。

圖 9 監(jiān)視網(wǎng)格會(huì)話

暫停的會(huì)話是免費(fèi)的，可以根據(jù)需要恢復(fù)。

結(jié)論

現(xiàn)在，您應(yīng)該對(duì) PyTorch Lightning 、 NGC 和 Grid 有了更好的了解。您已經(jīng)對(duì)第一個(gè) NGC NeMo 模型進(jìn)行了微調(diào)，并通過(guò)網(wǎng)格運(yùn)行對(duì)其進(jìn)行了優(yōu)化。我們很高興看到您下一步如何使用 Grid 和 NGC。

關(guān)于作者

Ari Bornstein 是一名人工智能研究人員，他熱愛(ài)歷史、新技術(shù)和計(jì)算醫(yī)學(xué)。作為 Grid 。 ai 的開(kāi)發(fā)人員宣傳負(fù)責(zé)人，他與機(jī)器學(xué)習(xí)社區(qū)合作，利用改變游戲規(guī)則的技術(shù)解決現(xiàn)實(shí)世界中的問(wèn)題，這些技術(shù)隨后被記錄在案、開(kāi)源并與世界其他地方共享。

Chintan Patel是NVIDIA的高級(jí)產(chǎn)品經(jīng)理，致力于將GPU加速的解決方案引入HPC社區(qū)。 他負(fù)責(zé)NVIDIA GPU Cloud注冊(cè)表中HPC應(yīng)用程序容器的管理和提供。 在加入NVIDIA之前，他曾在Micrel，Inc.擔(dān)任產(chǎn)品管理，市場(chǎng)營(yíng)銷(xiāo)和工程職位。他擁有圣塔克拉拉大學(xué)的MBA學(xué)位以及UC Berkeley的電氣工程和計(jì)算機(jī)科學(xué)學(xué)士學(xué)位。

Shokoufeh Monejzi Kouchak 是 NVIDIA 的技術(shù)營(yíng)銷(xiāo)工程師，專注于深度學(xué)習(xí)模型。肖庫(kù)菲從亞利桑那州國(guó)家大學(xué)獲得了計(jì)算機(jī)工程學(xué)博士學(xué)位，她把重點(diǎn)放在駕駛行為分析和駕駛員注意力檢測(cè)上，并用深度學(xué)習(xí)模型。

審核編輯：郭婷