LSTM神經(jīng)網(wǎng)絡(luò)在IOS平臺上的實(shí)現(xiàn).pdf

1、隨著語音識別技術(shù)和移動設(shè)備軟硬件的快速發(fā)展，計(jì)算機(jī)輔助發(fā)音訓(xùn)練系統(tǒng)（Computer-Assisted Pronunciation Training，CAPT系統(tǒng)）在移動設(shè)備上的應(yīng)用成為了當(dāng)今CAPT系統(tǒng)研究的課題之一。隱馬爾可夫模型（Hidden Markov Model， HMM）由于自身結(jié)構(gòu)方面的不足，阻礙了系統(tǒng)性能的進(jìn)一步提升。遞歸神經(jīng)網(wǎng)絡(luò)（RecurrentNeural Network，RNN）雖然能夠分清序列，但在訓(xùn)練階段當(dāng)

2、處理長時間依賴的信號時，網(wǎng)絡(luò)收斂速度變得很慢。因此本文應(yīng)用了一種帶有長短時記憶(Long Short-Term Memory，LSTM)單元的遞歸神經(jīng)網(wǎng)絡(luò)，將其移植到iOS平臺上。
　　由于 Currennt軟件包提供了 LSTM網(wǎng)絡(luò)的 C++實(shí)現(xiàn)，因此本文將 Currennt軟件包作為iOS上移植的目標(biāo)。主要工作包括：（1）將 Currennt軟件包由并行轉(zhuǎn)換為串行，這是由于Currennt使用了CUDA并行計(jì)算模型，而iOS不

3、支持此模型；（2）將Currennt軟件包移植到iOS平臺上，編譯Currennt軟件包依賴的第三方庫，并在應(yīng)用程序中配置，通過 Objective-C++混編實(shí)現(xiàn) iOS程序中的Objective-C對C/C++的調(diào)用；（3）調(diào)試程序，輸入測試數(shù)據(jù)，將iOS程序運(yùn)行中輸出的數(shù)據(jù)與正確的輸出數(shù)據(jù)進(jìn)行對比，如果數(shù)據(jù)之間的誤差在一定范圍內(nèi)，則認(rèn)為移植的代碼是正確的。
　　經(jīng)過以上三步的工作，Currennt軟件包能在iOS上運(yùn)行，并輸