【深度学习日志】MSE loss 缺点MSE loss 缺点导入MSE loss 缺点MSE的一个缺点就是其偏导值在输出概率值接近0或者接近1的时候非常小，这可能会造成模型刚开始训练时，偏导值几乎消失。导入

无网络环境解决nltk.download()报错下载nltk_data，打开nltk_data下载packages文件夹。使用 nltk.data.find(".") 这个命令查看系统路径，任选一个地方建立nltk_data文件夹即可，把package里面的所有文件夹拷贝到nltk_data文件夹。...

PyTorch和CUDA版本对应关系

docker harbor本地设置

PyTorch和CUDA版本对应关系

triphone通常是用在“连续语音识别”的系统里的，这样的系统中viterbi不会用在单个的triphone HMM上。“数字识别”这类离散识别的任务可能会出现viterbi用在单个HMM上的情况，其中每个数字用一个HMM表示，包含十几到几十个状态。这种情况下不需要用到beam，因为状态不多，viterbi算起来也很快。然后是beam search。beam search是viterbi的一种近

语音识别中的HMM-GMM模型：从一段语音说起虽然现在端到端语音识别模型可以直接对后验概率建模，可以不需要HMM结构了。但实际上目前很多state-of-the-art模型还是以HMM结构为主，比如chain model。而且掌握HMM-GMM结构，对于深入理解语音识别过程是由有一定好处的。但对于外行或者刚接触语音识别的人来说，要弄懂HMM-GMM结构还是要花不少时间的，特别是被一大推公式整懵了。

PyTorch和CUDA版本对应关系