使用PyTorch Lightning构建语音模型和解决方案

人工智能正在推动第四次工业革命，其机器可以在超人的水平上听到、看到、理解、分析，然后做出明智的决定。然而，人工智能的有效性取决于基础模型的质量。因此，无论您是学术研究人员还是数据科学家，您都希望使用各种参数快速构建模型，并确定最有效的解决方案。

在这篇文章中，我们将引导您在 GPU NVIDIA 供电的 AWS 实例上使用 PyTorch Lightning构建语音模型。

PyTorch Lightning + Grid.ai ：以更快的速度按比例构建模型

NGC 目录 Lightning 是用于高性能 AI 研究的轻量级 PyTorch 包装。使用 Lightning 组织 PyTorch 代码可以在多个 GPU 和 TPU CPU 上进行无缝培训，并使用难以实施的最佳实践，如检查点、日志记录、分片和混合精度。 PyTorch 上提供了 PyTorch Lightning 容器和开发人员环境。

网格使您能够将培训从笔记本电脑扩展到云端，而无需修改代码。 Grid 在 AWS 等云提供商上运行，支持 Lightning 以及 Sci 工具包、 TensorFlow 、 Keras 、 PyTorch 等所有经典机器学习框架。使用 Grid ，可以缩放 NGC 目录中模型的训练。

NGC ： GPU 优化 AI 软件的中心

NGC 目录是 GPU 优化软件（包括AI / ML 容器、预训练模型和 SDK ）的中心，这些软件可以轻松部署到内部部署、云、边缘和混合环境中。 NGC 提供 NVIDIA TAO 工具套件，可使用自定义数据和 NVIDIA Triton 推理服务器对模型进行再培训，以便在 CPU 和 GPU 供电系统上运行预测。

本文的其余部分将指导您如何利用NGC 目录中的模型和 NVIDIA NeMo 框架，在 PyTorch 教程的基础上，使用以下tutorial使用带 NeMo 的 ASR Lightning 训练自动语音识别（ ASR ）模型。

 

图 1 。人工智能模型训练过程

通过网格课程培训 NGC 模型， PyTorch Lightning 和 NVIDIA NeMo

ASR 是将口语转录成文本的任务，是语音 – 文本系统的关键组成部分。在训练 ASR 模型时，您的目标是从给定的音频输入中生成文本，以最小化人类转录语音的单词错误率（ WER ）度量。 NGC 目录包含 ASR 最先进的预训练模型。

在本文的其余部分中，我们将向您展示如何使用网格会话 NVIDIA NeMo 和 PyTorch Lightning 在AN4 数据集上对这些模型进行微调。

AN4 数据集，也称为字母数字数据集，由卡内基梅隆大学收集和发布。它包括人们拼写地址、姓名、电话号码等的录音，一次一个字母或号码，以及相应的成绩单。

步骤 1 ：创建针对 Lightning 和预训练 NGC 模型优化的网格会话

网格会话运行在需要扩展的相同硬件上，同时为您提供预配置的环境，以比以前更快地迭代机器学习过程的研究阶段。会话链接到 GitHub ，使用 JupyterHub 加载，可以通过 SSH 和您选择的 IDE 进行访问，而无需自己进行任何设置。

对于会话，您只需支付使基线运行所需的计算费用，然后您就可以通过网格运行将工作扩展到云。网格会话针对托管在 NGC 目录上的 PyTorch Lightning 和模型进行了优化。他们甚至提供专门的现货定价。

 

 

图 2 。创建网格会话的工作流

步骤 2 ：克隆 ASR 演示报告并打开教程笔记本

现在您有了一个针对 PyTorch Lightning 优化的开发人员环境，下一步是克隆 NGC Lightning Grid Workshop repo 。

您可以使用以下命令直接从网格会话中的终端执行此操作：

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

克隆 repo 后，可以打开笔记本，使用 NeMo 和 PyTorch Lightning 对 NGC 托管模型进行微调。

步骤 3 ：安装 NeMo ASR 依赖项

首先，安装所有会话依赖项。运行 PyTorch Lightning 和 NeMo 等工具，并处理 AN4 数据集以完成此操作。运行教程笔记本中的第一个单元格，该单元格运行以下 bash 命令来安装依赖项。

## 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

步骤 4 ：转换并可视化 AN4 数据集

AN4 数据集以原始 Sof 音频文件的形式提供，但大多数模型在mel p 频谱图上处理。请将 Sof 文件转换为 Wav 格式，以便使用 NeMo 音频处理。

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，您可以将音频示例可视化为音频波形的图像。图 3 显示了与音频中每个字母对应的波形中的活动，正如您的扬声器在这里非常清楚地阐明的那样！

图 3 示例的音频波形

每个口语字母都有不同的“形状”。有趣的是，最后两个字母看起来相对相似，这是因为它们都是字母 N 。

频谱图

在声音频率随时间变化的情况下，音频建模更容易。您可以得到比 57330 个值的原始序列更好的表示。 频谱图是一种很好的可视化音频中各种频率强度随时间变化的方式。它是通过将信号分成更小的、通常重叠的块，并对每个块执行短时傅立叶变换（ STFT ）来获得的。

图 4 显示了样本的频谱图 的外观。

图 4 示例的音频谱图

与前面的波形一样，您可以看到每个字母的发音。你如何解释这些形状和颜色？与前面的波形图一样，您可以看到时间在 x 轴上流逝（所有 2 。 6 秒的音频）。但是，现在 y 轴表示不同的频率（对数刻度），并且图上的颜色显示特定时间点的频率强度。

Mel 频谱图

您仍然没有完成，因为您可以通过使用 mel 频谱图可视化数据来进行一个更可能有用的调整。将频率比例从线性（或对数）更改为 mel 比例，这样可以更好地表示人耳可感知的音调。 Mel 频谱图直观上对 ASR 有用。因为您正在处理和转录人类语音，所以 mel 频谱图可以减少可能影响模型的背景噪声。

图 5 示例的 Mel spe CTR 图

步骤 5 ：从 NGC 加载并推断预训练的 QuartzNet 模型

既然您已经加载并正确理解了 AN4 数据集，那么看看如何使用 NGC 加载一个 ASR 模型，以便使用 PyTorch Lightning 进行微调。 NeMo 的 ASR 集合包含许多构建块，甚至完整的模型，您可以使用它们进行培训和评估。此外，有几种型号带有预训练重量。

要为这篇文章建模数据，可以使用名为来自 NGC 模型中心的 QuartzNet的 Jasper 体系结构。 Jasper 体系结构由重复的块结构组成，这些块结构使用 1D 卷积对 spe CTR 图形数据建模（图 6 ）。

图 6 Jasper / QuartzNet 模型

QuartzNet 是 Jasper 的一个更好的变体，关键区别在于它使用时间通道可分离的一维卷积。这使得它能够在保持类似精度的同时大幅减少权重的数量。

下面的命令从 NGC 目录下载预训练的 QuartzNet15x5 模型，并为您实例化它.

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

步骤 6 ：使用 Lightning 微调模型

当您拥有一个模型时，您可以使用 PyTorch Lightning 对其进行微调，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)

因为您使用的是 Lightning Trainer ，所以您获得了一些关键优势，例如默认情况下的模型检查点和日志记录。您还可以使用 50 +种最佳实践策略，而无需修改模型代码，包括多 GPU 训练、模型切分、深度速度、量化感知训练、提前停止、混合精度、渐变剪裁和分析。

图 7 微调策略

步骤 7 ：推断和部署

既然您有了一个基线模型，那么就推断它。

图 9 运行推断

步骤 8 ：暂停会话

现在您已经训练了模型，您可以暂停会话，并保存您需要的所有文件。

图 9 监视网格会话

暂停的会话是免费的，可以根据需要恢复。

结论

现在，您应该对 PyTorch Lightning 、 NGC 和 Grid 有了更好的了解。您已经对第一个 NGC NeMo 模型进行了微调，并通过网格运行对其进行了优化。我们很高兴看到您下一步如何使用 Grid 和 NGC。

关于作者

Ari Bornstein 是一名人工智能研究人员，他热爱历史、新技术和计算医学。作为 Grid 。 ai 的开发人员宣传负责人，他与机器学习社区合作，利用改变游戏规则的技术解决现实世界中的问题，这些技术随后被记录在案、开源并与世界其他地方共享。

Chintan Patel是NVIDIA的高级产品经理，致力于将GPU加速的解决方案引入HPC社区。 他负责NVIDIA GPU Cloud注册表中HPC应用程序容器的管理和提供。 在加入NVIDIA之前，他曾在Micrel，Inc.担任产品管理，市场营销和工程职位。他拥有圣塔克拉拉大学的MBA学位以及UC Berkeley的电气工程和计算机科学学士学位。

Shokoufeh Monejzi Kouchak 是 NVIDIA 的技术营销工程师，专注于深度学习模型。肖库菲从亚利桑那州国家大学获得了计算机工程学博士学位，她把重点放在驾驶行为分析和驾驶员注意力检测上，并用深度学习模型。

审核编辑：郭婷