由于使用服务器无法连接到hugging face，导致需要的预训练模型下载不下来。知道使用镜像网站，但每次用完就忘记了怎么使用了。对我来说，没有起到作用。在虚拟环境的 “../huggingface_hub”中找到：constants.py文件。重新运行程序就可以正常下载预训练模型了。

由于使用服务器无法连接到hugging face，导致需要的预训练模型下载不下来。知道使用镜像网站，但每次用完就忘记了怎么使用了。对我来说，没有起到作用。在虚拟环境的 “../huggingface_hub”中找到：constants.py文件。重新运行程序就可以正常下载预训练模型了。

每个状态都有一个对应的GMM，每个词又有对应的HMM，给出一段未知序列的时侯，就会在HMM上计算一下观测概率、转移概率，也就是做一个Viterbi算法，计算一个序列在HMM-GMM上的概率。就是将孤立词里面的词3状态，转变为每个因素3状态，做一个HMM的平滑连接，相当于一个9状态的HMM，再去使用Viterbi训练或者前向后向训练。词（语音）是一个序列，P_w(X)可以用HMM的概率问题来进行描述

最近因为教学需要波士顿房价数据集（开源），网上找到了原数据集，但是下载后是txt版本的。在博主“Zhiwei_Luo”的博文中。在实际使用过程中，发现报错有缺失值，检查后发现博主提供的数据有部分缺失了。现在提供完整的.csv数据集和.txt数据集给大家。

（RNN语言模型很好，可以对很长的上下文关系进行建模。但是它在语音识别中不常用。因为用RNN语言模型的话，解码出每一个词都得现算语言模型分数，效率不高。它一般用在二次解码rescore中。N-gram可以编译成加权有限状态转换器，可以看成一种有向图。这样解码就变成了在图中搜索的过程，比较高效。所以语音识别一般用的还是N-gram）语言模型如何配合声学模型来提高整个识别结果？这就是解码器所做的事情。

随机过程：是依赖于参数的一组随机变量的全体，参数通常是时间。随机变量是随机现象的数量表现，其取值随着偶然因素的影响而改变。例如，某商店在从时间t0到时间tK这段时间内接待顾客的人数，就是依赖于时间t的一组随机变量，即随机过程。