隐马尔科夫模型（HMM）的应用
HMM简介
隐马尔可夫模型(Hidden Markov Model，HMM)
如果你也是第一次接触的话，可以看这篇文章，讲得很好。
看了这篇之后我就去看代码了，下面的代码是 ASRT_v0.6.1 的 Language Model 部分，再次感谢作者——AI柠檬。
代码分析
这部分代码的功能是把拼音转成汉字，比如，把 [‘ni3’, ‘hao3’, ‘zhong1’, 'guo2] 转成 ‘你好中国’ 。
首先要准备你的模型，如下：
所有拼音对应汉字，用如下代码搞成字典：
def GetSymbolDict(self, dictfilename):
'''
读取拼音汉字的字典文件
返回读取后的字典
'''
txt_obj = open(dictfilename, 'r', encoding='UTF-8') # 打开文件并读入
txt_text = txt_obj.read()
txt_obj.close()
txt_lines = txt_text.split('\n') # 文本分割
dic_symbol = {} # 初始化符号字典
for i in txt_lines:
list_symbol=[] # 初始化符号列表
if(i!=''):
txt_l=i.split('\t')
pinyin = txt_l[0]
for word in txt_l[1]:
list_symbol.append(word)
dic_symbol[pinyin] = list_symbol
return dic_symbol
字典就是这个样子：
还有下面两份 txt 文件，如法炮制：
第一行的数字是总频数，每个字或词后面的数字是词频，用户可以根据自己的场景创建或找适合自己的语料库，然后通过“滑窗”，去统计词频。
下面就是核心函数了：
def SpeechToText(self, list_syllable):
'''
语音识别专用的处理函数
实现从语音拼音符号到最终文本的转换
使用恐慌模式处理一次解码失败的情况
'''
length = len(list_syllable)
if(length == 0): # 传入的参数没有包含任何拼音时
return ''
lst_syllable_remain = [] # 存储剩余的拼音序列
str_result = ''
# 存储临时输入拼音序列
tmp_list_syllable = list_syllable
while(len(tmp_list_syllable) > 0):
# 进行拼音转汉字解码，存储临时结果
tmp_lst_result = self.decode(tmp_list_syllable, 0.0)
if(len(tmp_lst_result) > 0): # 有结果，不用恐慌
str_result = str_result + tmp_lst_result[0][0]
while(len(tmp_lst_result) == 0): # 没结果，开始恐慌
# 插入最后一个拼音
lst_syllable_remain.insert(0, tmp_list_syllable[-1])
# 删除最后一个拼音
tmp_list_syllable = tmp_list_syllable[:-1]
# 再次进行拼音转汉字解码
tmp_lst_result = self.decode(tmp_list_syllable, 0.0)
if(len(tmp_lst_result) > 0):
# 将得到的结果加入进来
str_result = str_result + tmp_lst_result[0][0]
# 将剩余的结果补回来
tmp_list_syllable = lst_syllable_remain
lst_syllable_remain = [] # 清空
return str_result
def decode(self,list_syllable, yuzhi = 0.0001):
'''
实现拼音向文本的转换
基于马尔可夫链
'''
#assert self.dic_pinyin == null or self.model1 == null or self.model2 == null
list_words = []
num_pinyin = len(list_syllable)
#print('======')
#print('decode function: list_syllable\n',list_syllable)
#print(num_pinyin)
# 开始语音解码
for i in range(num_pinyin):
#print(i)
ls = ''
if(list_syllable[i] in self.dict_pinyin): # 如果这个拼音在汉语拼音字典里的话
# 获取拼音下属的字的列表，ls包含了该拼音对应的所有的字
ls = self.dict_pinyin[list_syllable[i]]
else:
break
if(i == 0):
# 第一个字做初始处理
num_ls = len(ls)
for j in range(num_ls):
tuple_word = ['',0.0]
# 设置马尔科夫模型初始状态值
# 设置初始概率，置为1.0
tuple_word = [ls[j], 1.0]
#print(tuple_word)
# 添加到可能的句子列表
list_words.append(tuple_word)
# print(list_words)
continue
else:
# 开始处理紧跟在第一个字后面的字
list_words_2 = []
num_ls_word = len(list_words)
#print('ls_wd: ',list_words)
for j in range(0, num_ls_word):
num_ls = len(ls)
for k in range(0, num_ls):
tuple_word = ['',0.0]
tuple_word = list(list_words[j]) # 把现有的每一条短语取出来
#print('tw1: ',tuple_word)
tuple_word[0] = tuple_word[0] + ls[k] # 尝试按照下一个音可能对应的全部的字进行组合
#print('ls[k] ',ls[k])
tmp_words = tuple_word[0][-2:] # 取出用于计算的最后两个字
#print('tmp_words: ',tmp_words,tmp_words in self.model2)
if(tmp_words in self.model2): # 判断它们是不是再状态转移表里
#print(tmp_words,tmp_words in self.model2)
tuple_word[1] = tuple_word[1] * float(self.model2[tmp_words]) / float(self.model1[tmp_words[-2]])
# 核心！在当前概率上乘转移概率，公式化简后为第n-1和n个字出现的次数除以第n-1个字出现的次数
#print(self.model2[tmp_words],self.model1[tmp_words[-2]])
else:
tuple_word[1] = 0.0
continue
#print('tw2: ',tuple_word)
#print(tuple_word[1] >= pow(yuzhi, i))
if(tuple_word[1] >= pow(yuzhi, i)):
# 大于阈值之后保留，否则丢弃
list_words_2.append(tuple_word)
list_words = list_words_2
#print(list_words,'\n')
for i in range(0, len(list_words)):
for j in range(i + 1, len(list_words)):
if(list_words[i][1] < list_words[j][1]):
tmp = list_words[i]
list_words[i] = list_words[j]
list_words[j] = tmp
return list_words
pass
下面是我的伪代码：
def SpeechToText(拼音序列)：
'''
语音识别专用的处理函数
实现从语音拼音符号到最终文本的转换
使用恐慌模式处理一次解码失败的情况
'''
if 拼音序列长度为 0：
返回空字符串
lst_syllable_remain = [] # 存储剩余的拼音序列
str_result = ''
tmp_list_syllable = 拼音序列 # 存储临时输入拼音序列
while tmp_list_syllable 的长度大于零的时候：
tmp_lst_result = self.decode(tmp_list_syllable, 0.0) # 进行拼音转汉字解码，存储临时结果
if tmp_lst_result 的长度大于零： # 有结果，不用恐慌
把结果放到 str_result 里面
while tmp_lst_result 的长度等于零时： # 没结果，开始恐慌
把 tmp_list_syllable 的最后一个拼音删了，放到 lst_syllable_remain 里面
tmp_lst_result = self.decode(tmp_list_syllable, 0.0) # 再次进行拼音转汉字解码
if tmp_lst_result 的长度大于零：
把结果放到 str_result 里面
# 将剩余的结果补回来
tmp_list_syllable = lst_syllable_remain
清空 lst_syllable_remain
return str_result
def decode(拼音序列， 阈值=0.0001)：
'''
实现拼音向文本的转换
基于马尔可夫链
'''
list_words = []
for 遍历拼音序列中的每一个拼音：
if 这个拼音在 dict_pinyin 这个字典里的话：
ls = 这个拼音对应的所有字
else：
否则跳出循环
if 现在是第一个拼音：
for 遍历第一个拼音下的所有字：
tuple_word = [字, 1.0] # 把每个字的初始概率设为 1
list_words.append(tuple_word) # 添加到可能的句子列表
else：
开始处理紧跟在第一个字后面的字
list_words_2 = []
for list_words 中有多少个字就循环多少次：
for 遍历 ls： # 比如说是第二次，ls 就是第二个拼音下的所有字
tuple_word = list(list_words中的字) # 这里相当于deepcopy
tuple_word[0] = tuple_word[0] + ls里的字 # 尝试按照下一个音可能对应的全部的字进行组合
tmp_words = tuple_word[0][-2:] # 取出用于计算的最后两个字
if tmp_words 在 model2 里面：
# 核心！在当前概率上乘转移概率，公式化简后为第n-1和n个字出现的次数除以第n-1个字出现的次数
tuple_word[1] = tuple_word[1] * float(self.model2[tmp_words]) / float(self.model1[tmp_words[-2]])
else：
tuple_word[1] = 0.0
continue
if tuple_word[1] >= 阈值的 i 次方： # i 是最外层循环的索引
list_words_2.append(tuple_word) # 大于阈值之后保留，否则丢弃
list_words = list_words_2
冒泡排序，list_words[i][1] 大的在前
return list_words
逐行翻译，将就看，哈哈。
That’s it !