2021年，AI柠檬网就满4周岁啦，过去的2020年真的是不平凡的一年呢！AI柠檬网站在过去的一年里运行较为平稳，在国内的云计算厂商阿里云和腾讯云的技术buff加持下，第一次实现了一整个自然年内没有出现任何大的运维事故(丢人了..)。只不过，一些人为或者非人为导致的小问题仍然偶有发生，好在影响面不大，也大都能及时解决掉。
分类
写完前后端代码之后，这个项目的工作就算做完了？不，你的工作其实才刚开始，写完代码只是做下一步工作的必要条件。作为一个可实用的软件产品，你要做的工作是将“玩具汽车”变成真正可以上路跑的“汽车产品”。数据库是网站、APP等产品重要的底层核心支撑服务，为了将我们的项目变成生产级的产品和服务，在数据库方面进行性能优化是重要的一个环节，这里我们用最经典的MySQL来作为案例。
本文转载自：机器之心 · 阿里技术
https://www.jiqizhixin.com/articles/2019-12-25-2
阿里妹导读：作为在日常开发生产中非常实用的语言，有必要掌握一些python用法，比如爬虫、网络请求等场景，很是实用。但python是单线程的，如何提高python的处理速度，是一个很重要的问题，这个问题的一个关键技术，叫协程。本篇文章，讲讲python协程的理解与使用，主要是针对网络请求这个模块做一个梳理，希望能帮到有需要的同学。
一些细心的小伙伴们最近可能会发现，AI柠檬主要的网站时隔不到一年重新开始支持IPv6协议了。这一回，再次启动对IPv6的支持之后应该就不会去掉了，因为国内以及全球IPv6推进的进程已经加快，如今大多数云服务器和云产品都已经基本支持，不论今后如何维护服务器，这一点不会有太大变化了。
当训练和测试完成一个深度学习模型之后，如果我们打算将这个算法模型上线，投入生产环境部署使用，那么我们就需要做一些额外的处理工作。由于深度学习模型对于算力需求较大，在上线过程中，一般有减小网络规模、使用专用硬件和通过C/S架构联网进行云端计算这三种方式。AI柠檬博主推荐使用第三种方式，即模型部署于服务器端，客户端通过网络将输入数据发送至服务器，计算得结果后传递给客户端。5G时代就在眼前，IPv6协议大规模部署，万物即将互联，尤其是无线移动互联网作为重要的基础设施是大势所趋。通过联网，即使是成本最低的低端的硬件，也可以在不损失精度的情况下，能够以更快的速度得到深度学习模型的计算结果。例如，ASRT语音识别系统就是以这种方式进行模型的部署的，已经能够为AI柠檬网站提供语音识别服务，用于语音搜索等任务。
近日，来自 FAIR 的研究者提出结合自训练和无监督预训练执行语音识别任务，证明这两种方法存在互补性，并取得了不错的结果。
来自机器之心翻译，有修改 https://www.jiqizhixin.com/articles/2020-11-05-10
自训练和无监督预训练已经成为使用无标注数据改进语音识别系统的有效方法。但是，我们尚不清楚它们能否学习类似的模式，或者它们能够实现有效结合。
最近，Facebook 人工智能研究院（FAIR）一项研究显示，伪标注和使用 wav2vec 2.0 进行预训练在多种标注数据设置中具备互补性。
只需来自 Libri-light 数据集的 10 分钟标注数据和来自 LibriVox 数据集的 5.3 万小时无标注数据，该方法就能在 Librispeech clean 和 other 测试集上取得 3.0%/5.2% 的 WER（词错率），甚至打败了仅仅一年前的基于 960 个小时标注数据训练的最优系统。在 Librispeech 所有标注数据上训练后，该方法可以达到 1.5%/3.1% 的词错率。
ASRT项目最近新上线了Python3版的SDK，并在GitHub与国内的Gitee上同步开源，以方便各位使用Python直接测试ASRT最终的使用效果，欢迎大家使用。开源项目地址为：
https://github.com/nl8590687/ASRT_SDK_Python3
https://gitee.com/ailemon/ASRT_SDK_Python3
大家也可以直接接入使用AI柠檬部署的ASRT语音识别服务API接口，详见ASRT语音识别项目文档( https://asrt.ailemon.net/docs/ )。由于后端服务器的规模和性能限制，以及网络的延迟，可能存在着等待时间偏长的问题，请耐心等待。
谷歌在2019年提出了用于语音识别数据增强的SpecAugment算法，基本原理是对频谱图进行各种遮盖，例如横向进行频率范围遮盖，以及纵向进行时间段遮盖，也可以将二者组合起来，如图所示。本文将以代码来介绍在实际应用中如何复现SpecAugment算法，并介绍如何将该代码应用到AI柠檬的ASRT语音识别系统( https://github.com/nl8590687/ASRT_SpeechRecognition )的训练中。
毕竟确实是有用的！每写一篇技术博客都是对自己技术学习的督促，也是对自己实际写作能力的考验，更是对自己独立思考和逻辑思维能力的锻炼。“天下文章一大抄”，还有“天下代码一大抄”，在互相抄来抄去的时代，能够自己原创写作，写出好文章，与自己原创从头一点一点编写好代码是一样的。有条件的话可以买一个自己的域名和服务器搭建独立博客，独立博客是自己的专属天地，如同自己的家一般，这里的一切规则由自己喜好主导，页面排版如何展示也自己说了算！在写博客前后，跟读者的交流也是自己的创意和想法的来源，如果自己有什么项目作品，博客还是发布自己的作品的绝佳平台！
在DNN-HMM架构的语音识别系统的声学模型中，训练一个DNN模型通常需要先进行帧和标签的对齐操作，此时需要先使用GMM通过EM算法不断迭代实现。而且隐马尔可夫假设一直饱受诟病，随着深度学习的发展，尤其是基于CTC的CNN和RNN模型的出现，使得实现端到端的语音识别声学模型成为了可能。CTC由于其强大的在时间序列上进行标签自动对齐的能力，可被用于语音识别、图像验证码(或者文本)识别和视频手势识别(手语识别)等问题中。
