Kaldi中每个脚本的简单解释
utils/subset_data_dir.sh
分割数据,用于建立初始小模型,而后一步一步扩充
steps/train_mono.sh
单音素模型训练
steps/align.sh, steps/align_si.sh, steps/align_fmllr.sh
强制对齐
steps/train_sat.sh
说话人自适应,一般之后跟fmllr,第一个sat前用si或者fmllr,s… 更多... “Kaldi中每个脚本的简单解释”
IT夜班车
utils/subset_data_dir.sh
分割数据,用于建立初始小模型,而后一步一步扩充
steps/train_mono.sh
单音素模型训练
steps/align.sh, steps/align_si.sh, steps/align_fmllr.sh
强制对齐
steps/train_sat.sh
说话人自适应,一般之后跟fmllr,第一个sat前用si或者fmllr,s… 更多... “Kaldi中每个脚本的简单解释”
LM:语言模型
MFCC:Mel频谱特征
PLP: Perceptual Linear Prediction, PLP特征
fBank: fBank特征
CMVN:
Cepstral Mean and Variance Normalization
倒谱均值方差归一化
Mono:Mono phone,单音素模型训练
Triphone:三音素模型训练,一般 tri1: deltas; tri2: delta+delta-delta; tri3a… 更多... “语音识别中的术语”
有时候,程序输出了一些奇怪的字符,导致终端出现了和奇怪的行为,例如,
这个时候,最简单的方法就是关掉这个终端,然后重新开一个.但是如果这个比如说你已经做了一些环境变量的设置,一旦关闭就需要重新设置,这个时候你就需要重置终端了.
有2个命令可以做到
这2个命令都是重新初始化终端,可以使用
man reset
来查看他们的功能.
这篇文章中我和大家共享vim列出所有的函数.
主要要有2种方法.
taglist插件请参看官网.
OPENSLR提供的免费的语言和语音的数据,以及跟语音识别有关的软件.
语言:English
大小:超过100G
时长:960 – 官方写的是1000小时
采样率:16kHz
Link:http://www.openslr.org/12
语言:English
大小:54G
时长:452小时
声道: 1
采样率: 16kHz
精度: 16bit
Sample E… 更多... “ASR数据集”
postfix反垃圾邮件
本文摘抄自:
Block Email Spam with Postfix and SpamAssassin Content Filter
Postfix provides 4 simple content checking parameters.
… 更多... “postfix反垃圾邮件”header_checks
mime_header_checks
nested_header_checks
body_check
为什么要抓取iPhone上面的traffic,有时候需要查看手机上某个应用的发的网络包(可能是因为没有这个程序的源代码,所有没有办法通过xcode+debug的方式)。这里我们说2种方法,
第一种方法是共享苹果笔记本的Wifi,然后让iPhone手机连到这个wifi,关掉所有苹果笔记本上所有使用网络的应用,以及iPhone所有除了要查看的app以外所… 更多... “如何抓取iPhone上的traffic”
本文摘自
https://www.kancloud.cn/kancloud/tcp/45893
TCP的RTT算法
从前面的TCP重传机制我们知道Timeout的设置对于重传非常重要。
设长了,重发就慢,丢了老半天才重发,没有效率,性能差;
设短了,会导致可能并没有丢就重发。于是重发的就快,会增加网络拥塞,导致更多的超时,更多的超时导致更多的重发。
而且,这个超时时间在不同的网络的情况下,根本… 更多... “TCP简单说下篇”
本文转自:
https://www.kancloud.cn/kancloud/tcp/45892
TCP头格式
接下来,我们来看一下TCP头的格式
你需要注意这么几点:
TCP的包是没有IP地址的,那是IP层上的事。但是有源端口和目标端口。
一个TCP连接需要四个元组来表示是同一个连接(src_ip, src_port, dst_ip, dst_port)准确说是五元组,还有一个是协议。但因为这里只是说… 更多... “TCP 简单说上篇”
主流移动端深度学习框架大盘点
简书作者 dangbo 在《移动端深度学习展望》一文中对现阶段的移动端深度学习做了相关展望。作者认为,现阶段的移动端 APP 主要通过以下两种模式来使用深度学习:
online 方式:移动端做初步预处理,把数据传到服务器执行深度学习模型,优点是这个方式部署相对简单,将现成的框架(Caffe,Theano,MXNet,Torch) 做下封装就可以直接拿来用,服务器性能大, 能够处理比较大… 更多... “主流移动端深度学习框架大盘点”