对汉语自然对话语音索引问题进行了研究.比较了不同单元格的识别和检索性能,提出不同单元格的转换方法、格间的融合方法以及格内节点与边的合并方法.格转换实现了识别单元和索引单元的分离,词格转换得到的无调音节格将品质因数(Figure o...对汉语自然对话语音索引问题进行了研究.比较了不同单元格的识别和检索性能,提出不同单元格的转换方法、格间的融合方法以及格内节点与边的合并方法.格转换实现了识别单元和索引单元的分离,词格转换得到的无调音节格将品质因数(Figure of merit,FOM)从基线系统的69.2%提高到73.7%;格间融合综合利用多个格的信息,将FOM进一步提高到78.6%;格内合并对格进行了有效的压缩,使其可应用于海量语音检索.展开更多
深度学习应用的训练过程是计算密集型的,它通常依靠图形处理单元(Graphics Processing Unit, GPU)来加速训练过程。然而深度学习开发框架往往会独占GPU,造成计算资源的浪费。针对该问题,该实证研究对两个深度学习应用共享GPU训练的可行...深度学习应用的训练过程是计算密集型的,它通常依靠图形处理单元(Graphics Processing Unit, GPU)来加速训练过程。然而深度学习开发框架往往会独占GPU,造成计算资源的浪费。针对该问题,该实证研究对两个深度学习应用共享GPU训练的可行性进行讨论,系统地分析了有代表性的深度学习模型的静态和运行时特性,展示了共享GPU训练两个模型时,不同的模型组合和特征对整体性能的影响。根据实验结果所总结的原则可以作为提高调度效率和改善GPU云资源利用率的指导方针。展开更多
文摘对汉语自然对话语音索引问题进行了研究.比较了不同单元格的识别和检索性能,提出不同单元格的转换方法、格间的融合方法以及格内节点与边的合并方法.格转换实现了识别单元和索引单元的分离,词格转换得到的无调音节格将品质因数(Figure of merit,FOM)从基线系统的69.2%提高到73.7%;格间融合综合利用多个格的信息,将FOM进一步提高到78.6%;格内合并对格进行了有效的压缩,使其可应用于海量语音检索.
文摘深度学习应用的训练过程是计算密集型的,它通常依靠图形处理单元(Graphics Processing Unit, GPU)来加速训练过程。然而深度学习开发框架往往会独占GPU,造成计算资源的浪费。针对该问题,该实证研究对两个深度学习应用共享GPU训练的可行性进行讨论,系统地分析了有代表性的深度学习模型的静态和运行时特性,展示了共享GPU训练两个模型时,不同的模型组合和特征对整体性能的影响。根据实验结果所总结的原则可以作为提高调度效率和改善GPU云资源利用率的指导方针。
