Amaliy mashg‘ulot №19 Mavzu

Detektor: "Hey Siri" ni tinglash
IPhone yoki Apple Watch-dagi mikrofon sizning ovozingizni soniyasiga 16000 
tezlikda bir lahzali to'lqin shakllari namunalariga aylantiradi. Spektrni tahlil qilish 
bosqichi to'lqin shaklidagi namunaviy oqimni freymlar ketma-ketligiga aylantiradi, 
ularning har biri taxminan 0,01 sek ovoz spektrini tavsiflaydi. Bir vaqtning o'zida 
ushbu ramkalarning yigirmaga yaqini (0,2 sek audio) akustik modelga beriladi, bu 
chuqur neyron tarmoq (DNN), bu akustik naqshlarning har birini nutq tovushlari 
sinflari bo'yicha ehtimollik taqsimotiga aylantiradi: "Hey Siri" iborasi, jimlik va 
boshqa nutq, jami 20 ga yaqin ovoz sinflari.
DNN asosan matritsalarni ko'paytirish va logistik chiziqli bo'lmaganlardan 
iborat. Har bir "yashirin" qatlam DNN tomonidan filtrlash banki yozuvlarini ovozli 
sinflarga o'tkazish uchun o'qitish paytida topilgan oraliq vakolatdir. Yakuniy 
nochiziqlik asosan Softmax funktsiyasidir (masalan, umumiy logistik yoki 
normallashtirilgan eksponent), ammo biz jurnal ehtimollarini istaganimiz uchun 
haqiqiy matematik biroz soddalashtirilgan. 

---

Rasm 4.3. "Hey Siri" ni aniqlash uchun ishlatiladigan chuqur neyron tarmoq. 
Yashirin qatlamlar aslida to'liq bog‘langan. Yuqori qatlam vaqtinchalik integratsiyani 
amalga oshiradi. Haqiqiy DNN chiziqli oynada ko'rsatiladi. 
 
4.3-rasm. "Hey Siri" ni aniqlash uchun ishlatiladigan chuqur neyron tarmoq 
DNNning har bir yashirin qatlamidagi birliklar sonini "Hey Siri" detektori 
ishlaganda mavjud bo'lgan hisoblash manbalariga mos ravishda tanlaymiz. Biz 
foydalanadigan tarmoqlarda odatda beshta yashirin qatlam mavjud bo'lib, ularning 
hajmi bir xil: 32, 128 yoki 192 birlik, xotira va quvvat cheklovlariga bog‘liq. IPhone-
da biz ikkita tarmoqdan foydalanamiz - biri dastlabki aniqlash uchun, ikkinchisi esa 
ikkinchi darajali tekshiruvchi sifatida. Dastlabki detektor ikkilamchi tekshiruvchiga 
qaraganda kamroq birliklardan foydalanadi. 
Akustik modelning chiqishi har bir kvadrat uchun fonetik sinflar bo'yicha 
ballarning taqsimlanishini ta'minlaydi. Fonetik sinf, odatda, "old qismning old 
qismidagi yuqori qism oldidan / s / ning birinchi qismidan keyin". 
Biz "Hey Siri" ni aniqlamoqchimiz, agar akustik modelning natijalari maqsadli 
ibora uchun to'g‘ri ketma-ketlikda yuqori bo'lsa. Har bir kvadrat uchun bitta ball 
to'plash uchun biz ushbu mahalliy qiymatlarni vaqt o'tishi bilan to'g‘ri ketma-ketlikda 
to'playmiz. Bu 2-rasmning yakuniy (yuqori) qatlamida xuddi shu birlikka va 
keyingisiga ketma-ket ulanishga ega bo'lgan takrorlanadigan tarmoq sifatida 
ko'rsatilgan. Har bir birlik ichida maksimal operatsiya va qo'shimcha mavjud: 
Fi, t - bu modelning i holati uchun to'plangan ball 
qi, t - bu akustik modelning chiqishi - t vaqtidagi akustik naqshni hisobga olgan 
holda ith holati bilan bog‘liq fonetik sinf uchun jurnal ballari. 
si - bu i shtatida qolish bilan bog‘liq xarajatlar 

---

mi - i holatidan o'tish uchun xarajatlar 
Si va mi ikkalasi ham ma'lumotlarning tegishli yorliqlari bilan segmentlarning 
davomiyligini tahlil qilishga asoslangan. (Ushbu protsedura dinamik dasturlash 
dasturidir va Yashirin Markov modellari - HMMlar haqidagi g‘oyalar asosida olinishi 
mumkin.) 
4.4-rasm. Detektor orqali harakatlanayotganda akustik naqsh 

---

Hey Siri dasturi 

---