[发明专利]基于命令词的语音识别模型压缩方法

权利要求书

1.基于命令词的语音识别模型压缩方法，其特征在于，包括如下步骤：

S1：进行初始训练，得到原始语音识别模型MD1，并得到相应的音素分类类别M；

S2：根据需要训练的命令词A得到A对应的音素类别k，然后在原始语音识别模型MD1中选取所述音素类别k，并将原始语音识别模型MD1中包括噪声音素的剩余音素聚类为1类；

聚类后，原始语音识别模型的音素类别为k+1；

S3： 根据命令词A在初始训练使用的语料中筛选与命令词A对应的训练语料，利用筛选后的训练语料对原始语音识别模型MD1进行微调训练得到更新后的第二模型MD2；

所述微调训练具体为：保留原始语音识别模型MD1中除输出层外的其余层参数，并更新输出层的节点数为k+1,进行模型迁移训练，所有层的模型参数进行梯度更新。

2.如权利要求1所述的基于命令词的语音识别模型压缩方法，其特征在于，S3步骤中,进行模型迁移训练时降低学习率。

3.如权利要求1所述的基于命令词的语音识别模型压缩方法，其特征在于，还包括对第二模型MD2的稀疏化剪枝操作，具体为：

S4：筛选出第二模型MD2上权重参数小于设定的稀疏化阈值的神经元，将这些神经元的权重参数置为0；得到第三模型MD3；

S5：对S4步骤得到的第三模型MD3进行微调训练，具体为禁止权重为0的参数进行梯度更新，对不为0的权重参数进行梯度更新,进而得到第四模型MD4。

4.如权利要求3所述的基于命令词的语音识别模型压缩方法，其特征在于，还包括对第四模型MD4的权重参数聚类量化，具体为：

S6：对第四模型MD4进行权重参数聚类量化, 得到第五模型MD5；

S7：采用步骤S3中筛选后的命令词语料对S6步骤得到的第五模型MD5进行微调训练，具体为禁止所有权重参数的梯度更新，只进行偏置参数的梯度更新，得到第六模型MD6；

S8：对第六模型MD6进行霍夫曼存储压缩，得到霍夫曼压缩矩阵。

5.如权利要求4所述的基于命令词的语音识别模型压缩方法，其特征在于，所述权重参数聚类量化采用k均值聚类算法。