SpeechBrain 高级
🔗 性能分析
Nautsch A. |
2022年6月 |
难度：中等 |
时间：45分钟 |
SpeechBrain模型的性能分析和基准测试可以服务于不同的目的，并从不同的角度进行考察。性能要求高度依赖于使用SpeechBrain的具体用例。这为全面的自学提供了手段，作为超越所提供内容的个人成长的起点。
🔗 动态批处理：它是什么以及为什么有时是必要的
Nautsch A. 和 Cornell S. |
2021年11月 |
难度：中等 |
时间：25分钟 |
您是否希望加快训练速度或减少内存需求？一个可能的解决方案是动态批处理。通过这种方法，您可以动态地采样由不同数量的句子组成的批次。在本教程中，我们将展示如何在SpeechBrain中使用这种技术。
🔗 超参数优化
普洛伊尼科夫 A. |
2021年12月 |
难度：中等 |
时间：25分钟 |
你想优化模型的超参数吗？你是否厌倦了手动操作？本教程将介绍如何使用Orion工具包优化SpeechBrain模型的超参数。
🔗 通过SpeechBrain和Flower进行联邦语音模型训练
高 Y. & 帕科莱 T. |
2021年11月 |
难度：高 |
时间：45分钟 |
您是否对联邦学习（FL）和语音都感兴趣，但担心没有合适的工具来运行实验？今天您将得到答案。 本教程介绍了如何集成Flower和SpeechBrain以实现联邦语音模型训练。
🔗 推断你训练好的SpeechBrain模型
Parcollet T. |
2021年9月 |
难度：中等 |
时间：30分钟 |
在本教程中，我们将学习三种不同的方法来对训练好的模型进行推断。 这对于调试您的管道或在生产环境中部署模型特别有用。
🔗 使用HuggingFace进行预训练模型和微调
Cornell S. & Parcollet T. |
2021年3月 |
难度：中等 |
时间：30分钟 |
训练深度神经网络模型通常非常耗时且昂贵。 因此，在可能的情况下，使用现成的预训练模型在各种场景中都非常方便。 我们提供了一种简单直接的方法来下载和实例化来自HuggingFace HuggingFace HuggingFace的最先进的预训练模型，并可以将其用于直接推理或微调/知识蒸馏，或者任何你能想到的新奇技术！
🔗 大数据集和共享文件系统的数据加载
Rouhe A. |
2021年2月 |
难度：中等 |
时间：15分钟 |
你是否有一个存储在共享文件系统中的巨大数据集？本教程将向你展示如何从共享文件系统加载大型数据集，并使用它们来训练一个使用SpeechBrain的神经网络。 特别是，我们描述了一种基于WebDataset库的解决方案，该解决方案易于集成到SpeechBrain工具包中。
🔗 文本分词
Heba A. & Parcollet T. |
2021年2月 |
难度：简单 |
时间：20分钟 |
处理文本的机器学习任务可能包含数千个词汇，这导致模型需要处理巨大的嵌入作为输入/输出（例如，对于one-hot-vectors和ndim=vocabulary_size）。这会导致内存的大量消耗、复杂的计算，更重要的是，由于极其稀疏和繁琐的one-hot向量，学习效果不佳。在本教程中，我们提供了正确使用基于SentencePiece（BPE和unigram）的SpeechBrain Tokenizer所需的所有基础知识。
🔗 将量化应用于语音识别模型
Lam J. |
2024年4月 |
难度：中等 |
时间：30分钟 |
量化是许多深度神经网络的一个必要步骤，特别是对于需要低延迟和高效内存使用的任务，如实时自动语音识别。本教程将介绍量化问题，并解释如何使用SpeechBrain进行量化。