kaldi 学习笔记-三音素训练1(Decision Tree)

开始介绍kaldi三音素训练大致流程。本文主要介绍决策树（Decision Tree）部分。

1. acc-tree-stats

Usage:  acc-tree-stats [options] <model-in> <features rspecifier> <alignments-rspecifier> <tree-accs-out>

输入：模型，特征，对齐序列

输出：决策树的统计量

首先读入Transition Model，从 contex_indep.csl中读取要训练的所有三音素， 保存在 AccumulateTreeStatsInfo 对象的ci_phones中。然后对于每帧语音特征和与其相应的对齐序列，进行统计量的计算。调用以下函数：

AccumulateTreeStats(trans_model,
acc_tree_stats_info,
alignment,
mat,
&tree_stats);

该函数累计统计量，保存在BuildTreeStatsType中。

BuildTreeStatsType也就是

vector <EventType, GaussClusterable*>  stats

EventTpye也是一个vector，里面存的是一个

pair<EventKeyType, EventValueType>

, EventKeyType是一个int，表示三音素位置（0，1，2）或者HMM的state（-1），EventKeyValue也是int，表示三音素的phone-ID或者对应HMM（-1）的state-id（通常为0，1，2 ）。

例如：

EventType e = { (-1, 1), (0, 10), (1, 11), (2,12) }

中，表示三音素为（10，11，12）中第一个HMM state。

对于每帧语音，由其对齐序列可以得知transition-id，也就知道了对应哪个phone。因此我们可以统计phone出现的次数以及该条特征的均值方差等统计量存放在GaussClusterable的结构体中。因此，对所有的特征数据、对齐数据执行这个函数后，我们得到了所有的EventType和每个EventType对应的统计量，我们之后用它来进行决策树，问题集的构建。

2. cluster-phones

Usage:  cluster-phones [options] <tree-stats-in> <phone-sets-in> <clustered-phones-out>

输入：决策树统计量，音素集

输出：问题的文本表示

该命令的核心函数如下，根据统计量stats，问题集phones，输出问题集phone_sets_out。pdf-class-list和P表示用于过滤的phone或者state。

AutomaticallyObtainQuestions(stats,
phone_sets,
pdf_class_list,
P,
&phone_sets_out);

pdf-class-list = 1表示只用中间状态的统计量，其他都抛弃。

4000

BuildTreeStatsType retained_stats;
FilterStatsByKey(stats, kPdfClass, all_pdf_classes,
true,  // retain only the listed positions
&retained_stats);

P = 1表示中间音素，我们累加某一固定中间音素的所有三音素的统计量

得到split_stats

std::vector<BuildTreeStatsType> split_stats;  // split by phone.
SplitStatsByKey(retained_stats, P, &split_stats);

依照sets.int 音素集文件将每行共享的统计量累加，再调用TreeCluster用Kmeans算法依照统计量对所有三音素进行聚类。

 TreeCluster(summed_stats_per_set,
summed_stats_per_set.size(),  // max-#clust is all of the points.
NULL,  // don't need the clusters out.
&assignments,
&clust_assignments,
&num_leaves,
topts);

最后如下用ObtainSetsOfPhones输出树中每个节点所含的phones。这里包含叶子节点和它的parent（非叶子节点），因此同一个phone可能在多个节点（多个问题）出现。注意kaldi里一个问题就是一个phone set。

ObtainSetsOfPhones(phone_sets,
assignments,
clust_assignments,
num_leaves,
questions_out);

3. compile-question

Usage:  compile-questions [options] <topo> <questions-text-file> <questions-out>

输入：拓扑结构topo，question.txt

输出：question.qst

分为两个部分，音素位置相关的问题 和 HMM状态位置的问题。

当key为0，1，2时，问题是基于音素位置的问题，即对三音素中的每个音素分别问问题.

kaldi里用Questions 和 QuestionsForKey 这两个类来表示。Questions里面为音素位置和QuestionsForKey，QuestionsForKey为问题即一些音素集，初始化均为question.txt。

当key为-1时，问题是基于HMM的某个状态的，这和HMM的状态数目有关，通常为三个，得到的问题集为[[0],[0,1]], 如果为5个，则为[[0],[0,1],[0,1,2], [0,1,2,3]].

4. build-tree

Usage:  build-tree [options] <tree-stats-in> <roots-file> <questions-file> <topo-file> <tree-out>

输入：关于tree的统计量，root文件，问题集，topo文件

输出：决策树tree

主要调用如下函数

to_pdf = BuildTree(qo,
phone_sets,
phone2num_pdf_classes,
is_shared_root,
is_split_root,
stats,
thresh,
max_leaves,
cluster_thresh,
P);

qo是问题集，phone_set是由roots文件得到，roots文件里说明了是否要share相同决策树根结点和是否需要进一步进行划分的的phone。

该函数由roots文件中的所有音素集首先用GetStubMap()递归构初始的决策树，总的来说GetStubMap()对每一个音素集创建一个初始的叶子结点，一个音素集就是roots.int中的一行中的音素的集合，每个节点其实都是一个小决策树的树根，之后会进一步由这个叶子节点划分。

EventMap *tree_split = SplitDecisionTree(*tree_stub,
filtered_stats, q_opts, thresh, max_leaves,&num_leaves，&impr, &smallest_split);

首先对于EvenType的每一个key（-1，0，1，2），在该key对应的问题集中（由q_opts给出每个key的问题集）找到一个问题，使得对叶子结点划分后获得的似然提升最大。