G2P(单词到音素)的深度学习训练测试
音素提取是语音识别中的一块重要内容。
G2P（Grapheme-to-Phoneme），英文意思是字素到音素，使用循环神经网络(recurrent neural network,RNN) 和LSTM( long short-termmemory units)，来实现从英文单词到音素的转化。LSTM序列到序列模型(LSTM sequence-to-sequencemodel)已经被成功地应用到许多项目中，这些应用包括机器翻译，字素转因素等等。
Github上的G2P是基于Google开源深度学习系统TensorFlow实现的，所以在运行之前要先安装TensorFLow。
一、TensorFlow安装
安装TensorFLow的方法有很多种，可以用Pip、Virtualenv、Anaconda、Docker以及从源代码安装。这里选择 Virtualenv，因为使用 Virtualenv可以将Tensorflow所需要的各种依赖安装到指定的文件夹中，而不改变系统中原有的各种库的版本。
使用 Virtualenv安装分为一下几步：
1、安装Pip 和 Virtualenv:
$ sudo apt-get installpython-pip python-dev python-virtualenv
2、设定Virtualenv工作的文件夹为~/tensorflow：
$ virtualenv--system-site-packages ~/tensorflow
3、激活工作环境，然后使用Pip将TensorFLow安装在~/tensorflow中：
$source ~/tensorflow/bin/activate
(tensorflow)$ #命令行变成了这样
#使用Pip安装,这里安装只使用CPU的版本
(tensorflow)$pip install –upgrade https://storage.Googleapis.com\
/tensorflow/linux/cpu/tensorflow-0.8.0-cp27-none-\ linux_x86_64.whl
此时出现了问题：
OSError:[Errno 2] 没有那个文件或目录:'/usr/local/lib/python2.7/dist-packages/setuptools-18.1-py2.7.egg'
解决方法，卸载已经有的setuptools：
pip uninstall setuptools
再安装一下，成功：
(tensorflow)$pip install --upgrade https://storage.googleapis.com/tensorflow/linux/cpu/tensorflow-0.8.0-cp27-none-linux_x86_64.whl
安装TensorFlow之后，又出现问题：
importtensorflow 后，出现段错误segment fault
解决方法：
（1）卸载一些python库：
sudo pip uninstall six wheel numpy scipysckit-image scikit-learn protobuf
（2）重新安装：
(tensorflow)$pip install --upgrade https://storage.googleapis.com/tensorflow/linux/cpu/tensorflow-0.8.0-cp27-none-linux_x86_64.whl
（3）成功：
>>>import tensorflow
>>>
二、下面是G2P的运行方式：
1、在github上下载G2P文件：
https://github.com/cmusphinx/g2p-seq2seq
在sourceforge上下载一个已经训练好的模型：
https://sourceforge.net/projects/cmusphinx/files/G2PModels/g2p-seq2seq-cmudict.tar.gz/download
2、运行G2P最简单的方式是使用命令行进行交互的方式：
$: pythong2p.py --interactive --model ~/Work/g2p-seq2seq-cmudict
其中~/Work/g2p-seq2seq-cmudict是上一步下载的已经训练好的模型文件所在路径。
测试：
4、训练G2P模型
训练G2P模型需要一个人工标注的字典：
字典可以从这里下载：https://sourceforge.net/projects/cmusphinx/files/G2P%20Models/phonetisaurus-cmudict-split.tar.gz
下载并解压后，里面有个名字为cmudict.dic.train的文件，这个就是我们需要的字典，里面有大概11万个单词，每一行放置一个单词及其对应的因素。具体如下图：
然后根据这个字典就可以训练模型了，用法如下：
$:python g2p.py --train train_dictionary.dic --model model_folder_path
其中 train_dictionary.dic就是之前下载的字典，model_folder_path为训练好后的模型存储的位置。
训练模型的语句中，还有一些参数可供选择：
--max_steps：训练迭代的次数(默认情况下 maxsteps=0，此时模型会不停的迭代， 直到训练效果不能再好为止)。
--size：神经网络的节点数目（默认情况下 size=64），在实验中发现，size=512 会拥有更好的结果，但是size=512时训练时间会变长。
--num_layers:神经网络的层数（默认情况下num_layers=2），如果训练集很小 的话，可以设置num_layers=1, 当num_layers=3时会得到更好的结果
python ~/Work/g2p-seq2seq-master/g2p_seq2seq/g2p.py--train cmudict.dic.train --test cmudict.dic.test --num_layers 2 --size 512 --model~/Work/model1 --max_steps 0
同时还可以查看一个模型的识别准确率，用法如下：
$:pythong2p.py --evaluate test_dictionary.dic --model model_folder_path
同其中test_dictionary.dic
最后不得不说，在没有大规模语料的情况下，准确率还是相当的低。。