Kaldi单音素脚本

从脚本run.sh来看,单音素训练

#monophone

steps/train_mono.sh –boost-silence 1.25 –nj $n –cmd “$train_cmd”
data/mfcc/train data/lang exp/mono || exit 1;

#test monophone model

local/thchs-30_decode.sh –mono true –nj $n “steps/decode.sh” exp/mono
data/mfcc &

现在来看看train_mono.sh这个执行文件

# Begin configuration section.参数设定

nj=4 #并行工作数

cmd=run.pl #采用单机计算的模式

scale_opts=”–transition-scale=1.0 –acoustic-scale=0.1 –self-loop-scale=0.1”

num_iters=40 # 训练迭代次数

max_iter_inc=30 # Last iter to increase #Gauss on.

totgauss=1000 # Target
#Gaussians总高斯数(可能难理解,但可以这么解释:比如有3状态HMM,每个状态用4组均值方差描述(GMM混合数是4个意思),那总共用了12个高斯,kaldi里不用具体指定GMM个数,而指定整个系统中总共需要多少个单高斯)

careful=false

boost_silence=1.0 # Factor by which to boost silence likelihoods in alignment

realign_iters=”1 2 3 4 5 6 7 8 9 10 12 14 16 18 20 23 26 29 32 35 38”;
#循环到这个数的时候做对齐

config= # name of config file.

stage=-4

power=0.25 # exponent to determine number of gaussians from occurrence counts

norm_vars=false # deprecated, prefer –cmvn-opts “–norm-vars=false”

cmvn_opts= # can be used to add extra options to cmvn. #Cepstral Mean and
Variance Normalization (CMVN) 倒谱均值和方差归一化

# End configuration section.

echo “$0 $\@” # Print the command line for logging

#- - name value 参数处理

if [ -f path.sh ]; then . ./path.sh; fi

. parse_options.sh || exit 1;

#- -name 以外的参数必须有3个,否则报错

if [ $# != 3 ]; then

echo “Usage: steps/train_mono.sh [options] \

Kaldi单音素函数

apply-cmvn

对feats.scp做归一化处理 ,输入3个文件:
–utt2spk=ark:sdata/JOB/utt2spk语料,录音人员关联文件scp:sdata/JOB/cmvn.scp
说话人相关的均值和方差 ,scp:$sdata/JOB/feats.scp 训练用特征文件 。

gmm-init-mono

参数:

–shared-phones=E:\project\kaldi\unbtu_ftp\gmm_init\sets.int
–train-feats=ark,s,cs:E:\project\kaldi\unbtu_ftp\gmm_init\hujianhua_raw_mfcc.ark
E:\project\kaldi\unbtu_ftp\gmm_init\topo 39
E:\project\kaldi\unbtu_ftp\gmm_init\1.mdl
E:\project\kaldi\unbtu_ftp\gmm_init\tree1

作用:是mm-init-mono 构造第一个模型文件和决策树,用少量的数据初始化对应的模型。

输入是mfcc特征,topo,输出mdl,tree文件。

topo放在目录s5/data/lang,根据topo初始化tree与mdl,feats.scp文件存放mfcc的数路径索引

sdata/JOB/utt2spk语料和录音人员关联文件

$sdata/JOB/text为每句话的解释。

faem0_sx222 sil y uw ao l w ix z cl k ax m ah cl p w ix th cl p ae th ax l aa
vcl jh ix cl k el ix vcl g z ae m cl p el s sil

$lang/words.txt 存音素编号,根据脚本生成\~/kaldi/egs/yesno/s5/utils/sym2int.pl
–map-oov $oov_sym -f 2- $lang/words.txt

hmm_state表示某个音素的状态,pdf表示所有音素的状态,其存储位置。

mdl文件

写topo_结构

triples_数据,表示每一个音素的的状态

音素,对应音素的状态,状态位置

kkkkkkkkkkkkkk

log_probs_ 31个值,表示所有的状态转移及其概率值。

am_gmm每个状态建立gmm,存储了mfcc特征值产生的变量,对应于每个状态,里面有每个高斯函数对应的参数,包括期望,方差等。

kkkkkkkkkkkkkk

tree文件

ContextDependency *ctx_dep中的内容写出。

ContextDependency 1 0 ToPdf SE 0 [ 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18
19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45
46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72
73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99
100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119
120 121 122 123 124 125 126 127 128 129 130 131 ]

{ SE 0 [ 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27
28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54
55 56 57 58 59 60 61 62 63 64 65 66 67 ]

{ SE 0 [ 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27
28 29 30 31 32 33 34 35 ]

{ SE 0 [ 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 ]

{ SE 0 [ 1 2 3 4 5 6 7 8 9 10 ]

{ SE 0 [ 1 2 3 4 5 ]

{ TE -1 5 ( CE 0 CE 1 CE 2 CE 3 CE 4 )

TE -1 5 ( CE 5 CE 6 CE 7 CE 8 CE 9 )

}

SE 0 [ 11 12 13 14 15 ]

{ TE -1 5 ( CE 10 CE 11 CE 12 CE 13 CE 14 )

TE -1 3 ( CE 15 CE 16 CE 17 )

}

}

SE 0 [ 20 21 22 23 24 25 26 27 ]

{ SE 0 [ 20 21 22 23 ]

{ TE -1 3 ( CE 18 CE 19 CE 20 )

TE -1 3 ( CE 21 CE 22 CE 23 )

}

有两种情况,一种是直接接叶子节点的:
phone=?
SIL SIL_B SIL_E SIL_I SIL_S (条件) NO(条件)
PdfClass=? PdfClass=?
0,1,2,3,4(条件) 0,1,2,3,4(条件)
s0 s1 s2 s3 s4 s5 s6 s7 s8 s9
对应的文件格式是:
SE 0 [ 1 2 3 4 5 ] #条件,如果phone=[SIL SIL_B SIL_E SIL_I SIL_S ]
{ TE -1 5 ( CE 0 CE 1 CE 2 CE 3 CE 4 ) #Yes
TE -1 5 ( CE 5 CE 6 CE 7 CE 8 CE 9 ) # No
}
其中SE表示条件吧,
TE表示叶子结点的条件吧, -1不知道啥意思,5表示该音素有5个状态(pdf-class)
CE表示叶子节点的值

SE 0 [ 28 29 30 31 ]

{ TE -1 3 ( CE 24 CE 25 CE 26 )

TE -1 3 ( CE 27 CE 28 CE 29 )

}

}

sets.int表示共享的音素

compile-train-graphs

参数:

–read-disambig-syms=E:\project\kaldi\unbtu_ftp\graphs\disambig.int
E:\project\kaldi\unbtu_ftp\graphs\tree
E:\project\kaldi\unbtu_ftp\graphs\1.mdl
E:\project\kaldi\unbtu_ftp\graphs\L.fst
ark:E:\project\kaldi\unbtu_ftp\graphs\train.tra
ark:E:\project\kaldi\unbtu_ftp\graphs\graphs.fsts

作用:在嵌入式训练里有说到为每个训练的句子建立一个完整的hmm结构。

输入 :决策树tree,模型1.mdl,lexsionFST, text转ID(train.tra)这些文件,输出
:构造训练用一句话对应的FST :graphs.fsts。

train.tra

transcript_reader “ark:sym2int.pl –map-oov $oov_sym -f 2- $lang/words.txt \<
$sdata/JOB/text|” \ 的作用是生成train.tra文件,其中内容:0_0_0_0_1_1_1_1 2 2
2 2 3 3 3 3 主要是把每句话用音素编号对应起来。2表示yes音素,3表示no

语音文件与音素对应

0_0_0_1_0_0_0_1 2 2 2 3 2 2 2 3

0_0_0_1_0_1_1_0 2 2 2 3 2 3 3 2

其中2 表示yes, 3表示no

$lang/words.txt表示音素编号:

\

L.fst 文件

L.fst是字典对于的fst表示,作用是将一串的音素(phones)转换成单词(words)

kkkkkkkkkkkkkk

cur_state arc.nextstate  arc.ilabel  arc.olabel

0 1 0 0

0 1 1 0

1 1 1 1

1 1 3 2

1 2 3 2

1 1 2 3

1 2 2 3

2 2 1 0

graphs.tra文件

通过 key(句子)
就能找到这个句子的fst网络,value中保存的是句子中每两个音素之间互联的边(Arc),例如句子转换成音素后,标注为:”a
b c d e f”,那么value中保存的其实是 a->b b->c c->d d->e e->f
这些连接(kaldi会为每种连接赋予一个唯一的id),后面进行 HMM
训练的时候是根据这些连接的id进行计数,就可以得到转移概率。

MakeLinearAcceptor(transcripts[i],
word_fst);主要是一句话的fst,是由每个音素组成状态组成。

根据8个单素2 2 2 2 3 3 3 3中每一个,例如2生成下面的结构。

kkkkkkkkkkkkkk

然后丢到下面的word_fst结果中,但是是丢到cur_state中。也即把一句话(8个音素)组成一个fst结构。ofst->AddArc(cur_state,
arc);

最后把共31句话放到word_fsts队列中。word_fsts[i] = word_fst;

例由8个状态(音素组成)2 2 2 2 3 3 3 3

然后加入单素状态以及ctx状态,同时记录了状态变化(音素是由状态组成)

TableCompose(*lex_fst_, *(word_fsts[i]), &phone2word_fst, \&lex_cache_);

ComposeContextFst(*cfst, phone2word_fst, \&ctx2word_fst);

每句话生成一个

Word_fst =
9 添加了状态0\~8,这样有9个状态,然后0-7放下面的值,把输入音素赋给ilabel,olabel

kkkkkkkkkkkkkk

在8状态ofst->SetFinal(cur_state, Weight::One());

生成的状态个数ctx2word_fst = 18

生成的状态个数trans2word_fst = 70 

对于state为0,有2,3,4, 26,然后跑到下状态,一共70个状态,每一个都有一个next_state

每一个state都可能有几个num_arcs,例如如下表:num_arcs = 4

size_t num_arcs = ifst.NumArcs(s)

0_0_0_0_1_1_1_1

0 70 2 0 0.693359

0 71 3 0 0.693359

0 72 4 0 0.693359

0 4 26 2 0.693359

执行完自循环后AddSelfLoops里面有一个函数MakePrecedingInputSymbolsSameClass增加了108个状态。

转移状态trans2word_fst = 178 这里面存在是TransitionId,在这里还可能转成state

Yesno包括31个文件,因此其大小为31

写出key:表示文件名

kkkkkkkkkkkkkk

得到是一句话的状态例如66个状态。这里还没有做对齐。

AddSelfLoops(trans_model_,

disambig,

opts_.self_loop_scale,

opts_.reorder,

\&trans2word_fst);

Yesno包括31个文件,每次写一个文件及对应的178个状态。每个状态都可能有几种选择,如下所示:

fst_writer.Write(keys[i], *(fsts[i]));

0_0_0_0_1_1_1_1

arc .s arc.nextstate arc.ilabel arc.olabel

0 70 2 0 0.693359

0 71 3 0 0.693359

0 72 4 0 0.693359

0 4 26 2 0.693359

S表示当前状态,nextstate表示跳转到下一状态。

这里的arc.ilabel表示转换id, arc.olabel表示音素。

align-equal-compiled

参数:

ark:E:\project\kaldi\unbtu_ftp\align-equal-compiled\graphs.fsts
ark:E:\project\kaldi\unbtu_ftp\align-equal-compiled\hujianhua_raw_mfcc.ark
ark,t:E:\project\kaldi\unbtu_ftp\align-equal-compiled\equal.ali

作用:主要是根据生成一句话的fst结构,然后根据结构与mfcc特征值做对齐。输入一句话的fst结构,输出对齐的fst结构。训练时需要将标注跟每一帧特征进行对齐。这里采用简单对齐操作。

std::string key = fst_reader.Key(); 从fst文件中获得被形文件名

kkkkkkkkkkkkkk

再根据key到mfcc 文件中hujianhua_raw_mfcc.ark读取mfcc特征,如下图

kkkkkkkkkkkkkk

因为在转移状态,有可能是循环或者转移到下一个状态两个种情况。对于静态转移可能更多转移情况。因此通过音素得到路径可能有不同的路径,那么这里随机出来一条路径。例:

原始的state = 0,然后得到当前的num_arcs =
4。然后随机一个值出来。例如arc_offset = 3

取得状态state = 0的arc_offset = 3的const Arc &arc = aiter.Value();

其对应arc.nextstate = 4,如下:

0 4 26 2 0.693359

path.push_back(arc.nextstate);

再一次再循环state = arc.nextstate,取4处的值,再随机一个值,arc_offset =
1,取得结果

4 5 28 0

直到结束。

if (arc.ilabel != 0) num_ilabels++; 这里的arc.ilabel表示转换id,
arc.olabel表示音素。这里

根据fst状态网络求得num_ilabels标签数为66,实际mfcc帧数为633帧

计算出num_self_loops也为66

需要的自循环个数num_extra= 633-66=567

min_num_loops = num_extra / num_self_loops=(633-66)/66 = 8

那么如果遇到是loops状态时,那么会插入8个状态,最终把66个状态扩展到633个状态。

生成文件equal.ali例:

0_0_0_0_1_1_1_1 26 25 25 25 25 25 25 25 25 25 28 27 27 27 27 27 27 27 27 27 30
29 29 29 29 29 29 29 29 29 3……

26表示转移状态,这里一共有31个转移状态。连续的25表示在当前状态进行自循环。

26通过pdf_id = trans_model.TransitionIdToPdf(tid); 可以查询pdf_id=8

gmm-align-compiled

参数:

E:\project\kaldi\unbtu_ftp\gmm-align-compiled\1.mdl
ark:E:\project\kaldi\unbtu_ftp\gmm-align-compiled\graphs.fsts
ark:E:\project\kaldi\unbtu_ftp\gmm-align-compiled\hujianhua_raw_mfcc.ark
ark,t:E:\project\kaldi\unbtu_ftp\gmm-align-compiled\equal.ali

作用:通过viterbit算法进行对齐。通过当前的模型的计算出最好的一条路径(每帧计算一次)。这样就得到当前的所有帧的一条对齐的路径。

gmm-acc-stats-ali

参数:

–binary=true E:\project\kaldi\unbtu_ftp\gmm-acc-stats-ali\1.mdl
ark:E:\project\kaldi\unbtu_ftp\gmm-acc-stats-ali\hujianhua_raw_mfcc.ark
ark:E:\project\kaldi\unbtu_ftp\gmm-acc-stats-ali\equal.ali
E:\project\kaldi\unbtu_ftp\gmm-acc-stats-ali\1.acc

作用:对对齐后的数据进行训练,获得中间统计量,每个任务输出到一个acc文件。

输入是当前的模型,特征值,对齐特征值的状态数据,输出HMM 和GMM 训练相关的统计量。

acc中记录输出文件由两部分组成:HMM 和GMM 训练相关的统计量:

HMM 相关的统计量:根据对齐的网络(equal.ali)进行统计输出,

transition_accs
对于转移概率的统计,每出现对应的转移状态trans_id加1,最终写31个转移概率的数目。

GMM 相关的统计量:每个pdf-id 对应的特征累计值和特征平方累计值。

对于每一帧,都会有个对齐后的标注,可以得到对应的pdf-id。

每个pdf-id
对应的GMM可能由多个单高斯Component组成,会先计算在每个单高斯Component对应的分布下这一帧特征的似然概率(log-likes),称为posterior。

对于gmm的mfcc统计是通过当前mfcc数据data(39
维),去对应的gmm查询得到log_like相似度。如果高斯函有两个AB,分别计算AB,那么出来的log_like是二维的。所有参数输入也是二维的。

kkkkkkkkkkkkkk

由tid得到pdf-id,也就是找到对应该pdf-id的DiagGmm对象,更新与该DiagGmm对象相关的AccumDiagGmm的参数,也就是计算得到三个GMM参数更新公式的分子部分(包括每一混合分量的后验(occupancy_中保存∑njγ\^jk)、每一分量的后验乘以当前帧的特征(mean_accumulator_中保存∑njγ\^jkyj
MxD维)、每一分量的后验乘以
当前帧的特征每一维的平方(variance_accumulator_中保存∑njγ\^jky2j MxD MxD维))

kkkkkkkkkkkkkk

然后:

(1)把每个单高斯Component的posterior加到每个高斯Component的occupancy(占有率)计数器上,用于表征特征对于高斯的贡献度,如果特征一直落在某个高斯的分布区间内,那对应的这个值就比较大;相反,如果一直落在区间外,则表示该高斯作用不大。

gmm-est中可以设置一个阈值,如果某个高斯的这个值低于阈值,则不更新其对应的高斯。

另外这个值(向量)其实跟后面GMM更新时候的高斯权重weight的计算相关。

(2)把这一帧数据乘以每个单高斯Component的posterior再加到每个高斯的均值累计值上;这个值(向量)跟后面GMM的均值更新相关。

(3)把这一帧数据的平方值乘以posterior再加到每个单高斯Component的平方累计值上;

这个值(向量)跟后面GMM的方差更新相关。

最后将均值累计值和平方累计值写入到文件中。输出11个状态(高斯函数)的对应的均值与方差。

kkkkkkkkkkkkkk

DiagGmm

保存一个GMM的参数,包括分量权值weights_、均值、方差、每一分量高斯分布里的常量部分取log后的数值gconsts_。注意均值和方差为了方便计算,保存的并不是原原本本的均值、方差,而是方差每一元素求倒数后的inv_vars_、均值乘以inv_vars_后的means_invvars_。

gmm-sum-accs

这个用来合并acc文件。

gmm-est

gmm-est –min-gaussian-occupancy=3 –mix-up=$numgauss –power=$power \

$dir/0.mdl “gmm-sum-accs - $dir/0.*.acc|” $dir/1.mdl 2>
$dir/log/update.0.log || exit 1;

作用:根据前面计算的数据,得到新的gmm与hmm参数。

参数:

E:\project\kaldi\unbtu_ftp\gmm_est\1.mdl
E:\project\kaldi\unbtu_ftp\gmm_est\1.acc
E:\project\kaldi\unbtu_ftp\gmm_est\2.mdl

kkkkkkkkkkkkkk

means_ 对应acc里的mean_accumulator/occ
其中occ表示帧数 这里2286,这里表示均值。

vars_ 对应acc里的variance_accumulator/occ - means_的平方即方差

一共有11个pdf状态。那每一个状态都有转移状态,转移状态有31个。

对应一个pdf转移状态每个的新的概率new_probs(tidx) = transition_accs (tidx) /
tstate_tot; 转移状态的统计数/当前状态转移到所有可能状态总数。来自于accs

gmm-latgen-faster

解码

steps/decode.sh –nj 1 –cmd “$decode_cmd” \

exp/mono0a/graph_tgpr data/test_yesno exp/mono0a/decode_test_yesno

参数:

–max-active=7000 –beam=13.0 –lattice-beam=6.0 –acoustic-scale=0.083333
–allow-partial=true
–word-symbol-table=E:\project\kaldi\unbtu_ftp\gmm-latgen-faster\words.txt
E:\project\kaldi\unbtu_ftp\gmm-latgen-faster\final.mdl
E:\project\kaldi\unbtu_ftp\gmm-latgen-faster\HCLG.fst
ark,s,cs:E:\project\kaldi\unbtu_ftp\gmm-latgen-faster\feat-cmvn_delta.ark
ark:lat.ark ark:w.ark ark:a.ark

–max-active=7000 –beam=13.0 –lattice-beam=6.0 –acoustic-scale=0.083333
–allow-partial=true
–word-symbol-table=E:\project\kaldi\unbtu_ftp\gmm-latgen-faster\liming\words.txt
E:\project\kaldi\unbtu_ftp\gmm-latgen-faster\liming\final.mdl
E:\project\kaldi\unbtu_ftp\gmm-latgen-faster\liming\HCLG.fst
ark,s,cs:E:\project\kaldi\unbtu_ftp\gmm-latgen-faster\liming\feat-cmvn_delta.ark
ark:E:\project\kaldi\unbtu_ftp\gmm-latgen-faster\liming\latgen.ark

输入:目录graph下面的words.txt标签,final.mdl模型,HCLG.fst,以及特征值。

输出结果:latgen.ark

final.mdl模型包括以下:

trans_model

kkkkkkkkkkkkkk

HCLG.fst

根据HCLG.fst 生成LatticeFasterDecoder解码器。

构图过程 G -> L -> C -> H

1.G: 作为 acceptor (输入 symbol 与输出相同),用于对grammar 或者 language
model 进行编码

  1. L:Lexicon, 其输出 symbol 是 words, 输入 symbol 是 phones

3.C:context-dependency 其输出 symbol 是 phones, 其输入 symbol
为表示context-dependency phones

如: vector\

三音素训练

steps/decode.sh

决策树

为什么需要决策树

我们进行语音识别模型训练的过程中,首先进行的是单音素、单个高斯的模型训练。抛开单个高斯不说,单音素模型本身有很大缺点:没有考虑到本音素前后音素的发音对本音素的影响。比如,同样是一个音素iy,如果它前面的音素分别是h和p,那么iy这个音素在这两种情况下的发音会有所不同,那么模型参数也就会受到其影响,此时,如果用同一个模型来描述音素iy,那么就会不合理。

为了解决这个问题,采用三音素(triphones)模型,典型的三音素模型如下
[t-iy+n],这表示iy音素前一个音素是t,后一个因素是n,模型[t-iy+n]
用来表示这种情况下的音素iy模型,那么此时,这个三音素模型和 [t-iy+ng]
不再表示同一个模型了,虽然他们都是表示音素
iy的模型,但是因为中心音素(此处为iy)的上下文音素不同了,所以此时它们其实是两个不同的模型。

如此以来,模型的数量会剧增。单因素模型时,假如我们只有40个音素需要建模,每个音素有3个HMM状态。但是在三因素模型中,最坏的情况是需要给40×40×40
个模型进行建模,当然这其中有很多是不可能或者不会在训练数据中出现的。但是相对于单音素模型来说,这个数目已经增加了很多倍,这就导致了一个问题:训练数据不足!那么如何解决因为模型数量增加而导致训练数据不足的问题呢?HTK使用了模型状态绑定的方法。所谓的模型状态绑定,就是让一些具有某些相似特征的模型的一些状态来共享一组模型参数,这样就能够有效的减少模型参数的数量从而解决训练数据不足的问题。

如何使用决策树进行模型的状态绑定

在进行状态绑定时,我们首先要做的就是使用决策树进行聚类。具有相同类别的模型,他们的某一个状态可以共享一组参数。例如:对于音素iy,如果它的前一个音素分别是m和n,由于m和n发音比较像,所以模型[m-iy+*]和[n-iy+*]的第一个状态的参数就应该比较相似,那么我们就把这两个模型的第一个状态的参数进行绑定,也就是说这两个模型的第一个状态参数是相同的。那么到底如何确定那些模型的哪些状态可以共用一组参数也就是可以进行绑定参数?这就用到了决策树进行聚类,具有相同类别的状态就可以共用一组参数。

在这里,一定要注意,我们在建立决策树时,是对每个音素的每个状态都建立一个决策树,而不是只对某一个音素来建立。这里,我们以音素ih的首状态为例,详细说明决策树的建立过程。

kkkkkkkkkkkkkk

在上图中的每一个类中,A、B……E,每一个类中的第一个状态都被绑定在一起,如此进行,把所有的音素的所有状态都进行决策树的建立,就能完成参数的绑定。

决策树中的问题集
在上图中,我们看到一些问题集,类似与“左边是清音吗?”等等,这些问题集都是根据声学和语音学特征提出来的

特征使用LDA和MLLT进行变换

steps/decode.sh

说话人自适应训练(sat)

steps/decode_fmllr.sh

语音识别深度学习

1.标注对齐:训练CNN模型需要对每一帧进行标注,由于数据中仅对某段时间内的数据内容进行标注,因此我们需要用一个前面已经通过run.sh训练过的HMM-GMM模型进行数据对齐。DNN使用gmm-hmm的结果,对DNN的影响很大。一个坏gmm-hmm会给你坏的对齐。使用差的gmm-hmm的结果,会严重影响你的训练效果。
2.
数据准备:从网络上看到的是由7帧(从中间帧到左右帧都是3帧)组成的一个帧窗。由于神经网络很难从相关输入的数据中学习,因此以
40*7 维特征作为一个不相关的固定变换形式,通过 step/nnet2/get_lda.sh
完成该工作,实际中并非使用准确的 LDA,而是用 non-dimension-reducing 形式的
LDA,然后减少输出特征方差的维度。

3.
CNN模型训练:应用kaldi提供的核心训练代码,向训练脚本中传递相关的训练参数:网络的结构,learning
rate,运行环境,任务数等。下文将会展开脚本对各个参数进行解析。

  1. CNN模型测试:对训练所得的模型进行测试,与HMM-GMM模型,DNN模型进行比较。

kkkkkkkkkkkkkk

查看全文
如若内容造成侵权/违法违规/事实不符,请联系编程学习网邮箱:809451989@qq.com进行投诉反馈,一经查实,立即删除!

相关文章

  1. DL的图像识别、语音识别应用进展及MxNet开源框架设计

    2015年12月10-12日,由中国计算机学会(CCF)主办,CCF大数据专家委员会承办,中国科学院计算技术研究所、北京中科天玑科技有限公司与CSDN共同协办,以“数据安全、深度分析、行业应用”为主题的 2015中国大数据技术大会(Big Data Technology Conference 2015,BDTC 2015)在…...

    2024/3/14 21:14:00
  2. pocketsphinxAdroid离线语音识别-入门

    from : http://www.myexception.cn/mobile/450918.html pocketsphinxAdroid离线语音识别---入门 现在的语音识别大部分都是基于服务端的开发,需要网络的支持才能很好的工作。 想开发一个基于客户端的,不需要网络也可以识别的,识别服务。 可以在客户端的各种应用中进行…...

    2024/3/14 21:13:59
  3. Chrome不支持showModalDialog的解决方案

    昨天在使用showModalDialog的时候,遇到如下问题: 如果子窗口被刷新过,那么父窗口就接受不到子窗口的返回值。为了解决这个问题,哎,我纠结了好久,最后才发现不是代码的问题,而是多浏览器兼容问题,因为我是用Chrome调试的,而Chrome是不支持showModalDialog的,所以父窗口…...

    2024/3/14 21:13:58
  4. showModalDialog参数使用详解

    showModalDialog:模式窗口, 一种很特别的窗口,当它打开时,后面的父窗口的活动会停止,除非当前的模式子窗口关闭了, 才能操作父窗口.在做网页Ajax开发时,我们应该有时会用到它来实现表单的填写, 或做类似网上答题的窗口. 它的特点是,传参很方便也很强大,可直接调用父窗口的变量…...

    2024/3/14 21:13:57
  5. 高版本Chrome兼容window.showModalDialog办法

    高版本Chrome兼容window.showModalDialog办法 兼容方式: 由于showmodaldialog 不属于W3C标准,在新版本浏览器中不再受支持,我们需要使用window.open等方法自定义一个showmodaldialog 代替。 兼容效果: 不和当前使用的前端框架冲突的情况下无需对被打开的模态框子页面做任何修…...

    2024/3/14 21:13:58
  6. kaldi在线语音识别portaudio failed to open the defalut stream问题解决

    使用kaldi的在线识别,在timit语料库上进行英语在线语音识别在/kaldi/egs/timit/online_demo目录下,运行命令./run.sh --test-mode live报错portaudio failed to open the defalut stream1、检查linux系统录音功能是否可用:arecord -d 10 test.wav检查后发现可以录音2、检查po…...

    2024/3/14 21:13:57
  7. 转载_DOS中的ping, nbtstat,netstat, tracert都是什么意思?

    一、PING命令系统内置的网络测试工具ping 1.Ping命令的语法格式 ping命令看似小小的一个工具,但它带有许多参数,首先我们还是从最基本的命令格式入手。该命令的参数获得操作: 在DOS窗口中键入:ping /? 回车,即可显示主要参数。ping命令的完整格式如下:ping …...

    2024/3/14 21:13:54
  8. 模式化窗口window.showModalDialog的使用说明

    最近公司用了一个老掉牙的弹窗模式——模式化弹窗,拿出来说说吧~首先看看API,第一句话说的就是:已废弃,但是有时候用不用这个,不是你说了算了啊,咋还得听老大的是不,接下来主要说下showModalDialog()的功能把,以下都是从API的说明中获取到的信息请点击此处输入图片描述…...

    2024/3/14 21:13:54
  9. 痞子衡嵌入式:语音处理工具pzh-speech诞生记 - 索引

    大家好,我是痞子衡,是正经搞技术的痞子。本系列痞子衡给大家介绍的是语音处理工具pzh-speech诞生。智能语音交互市场近年来发展迅速,其典型的应用之一智能音箱产品如今已走入千家万户,深受大家喜爱。智能音箱产品的核心就是语音处理,包括音频采集、语音识别(ASR)、自然语…...

    2024/3/14 21:13:54
  10. JavaScript窗体Window.ShowModalDialog使用详解

    Javascript有许多内建的方法来产生对话框,如:window.alert(), window.confirm(),window.prompt().等。 然而IE提供更多的方法支持对话框。如: showModalDialog() (IE 4+ 支持)  showModelessDialog() (IE 5+ 支持) window.showModalDialog()方法用来创建一个显示HT…...

    2024/3/14 14:58:51
  11. Nmap安装和使用详解

    文章目录Nmap概述功能概述运行方式Nmap安装Nmap参数详解目标说明主机发现端口扫描端口说明和扫描顺序服务与版本探测脚本扫描操作系统探测时间和性能防火墙/IDS规避和欺骗输出选项使用示例常用扫描命令扫描ip地址或域名扫描整个网段扫描文件只进行主机发现扫描特定端口输出扫描…...

    2024/3/14 21:13:50
  12. showModalDialog

    showModalDialog http://www.mwjx.com/bbs/html/20000/18833.html基本介绍:showModalDialog() (IE 4+ 支持)showModelessDialog() (IE 5+ 支持)window.showModalDialog()方法用来创建一个显示HTML内容的模态对话框。window.showModelessDialog()方法用来创建一个显示HTML内容…...

    2024/3/26 20:56:21
  13. showModalDialog()

    JS中showModalDialog 详细使用(转) 基本介绍:showModalDialog() (IE 4+ 支持) showModelessDialog() (IE 5+ 支持) window.showModalDialog() 方法用来创建一个显示HTML内容的模态对话框。 window.showModelessDia…...

    2024/3/13 20:39:31
  14. JS中ShowModalDialog(模态窗口)详细使用

    基本介绍:showModalDialog() (IE 4+ 支持)showModelessDialog() (IE 5+ 支持)window.showModalDialog() 方法用来创建一个显示HTML内容的模态对话框。window.showModelessDialog() 方法用来创建一个显示HTML内容的非模态对话框。 使…...

    2024/3/13 20:39:26
  15. 自动语音识别技术(ASR)在聋哑儿童计算机辅助教学中的开发与应用

    自动语音识别技术(ASR)在聋哑儿童计算机辅助教学中的开发与应用<?xml:namespace prefix = o ns = "urn:schemas-microsoft-com:office:office" /> RDTE OF CAI FOR THE DEAF&DUMB CHILDREN BASED ON ASR一、 课题来源及研究的目的和意义; 据…...

    2024/3/13 20:39:25
  16. chrome不支持showModalDialog造成弹窗失败

    最近在解决一个学院官网后台的兼容性问题。这个网站不是我开发的,我也接触不到代码;技术很老,jQuery+ PHP。由于权限的原因,我不能让读者复现此问题。具体情形是这样的:一个弹窗功能在IE11上是工作,但是在chorme62上不能工作。在chrome上的报错信息截图如下:定位showMod…...

    2024/3/14 21:13:49
  17. IP协议详解之配套协议:ARP, ICMP

    IP地址与硬件地址物理地址是数据链路层和物理层使用的地址。IP地址则是网络层和以上各层使用的地址,是一种逻辑地址。IP地址放在IP数据报的首部,而硬件地址则放在MAC帧的首部。数据链路层看不见数据报的IP地址。数据在网络传输时,<1>. 在IP层抽象的互联网上只能看到IP…...

    2024/3/24 15:55:56
  18. showModalDialog兼容版

    项目中使用showModalDialog 时发现谷歌浏览器并不支持该方法。下面给出我的解决方案首先获取对应的浏览器 信息 如果是 谷歌的话使用open方法调用自页面如果不是使用​showModalDialog 即可完美解决该问题。父页面代码:​function onOpenWindow(){ if(window.ActiveXObject){/…...

    2024/3/14 21:13:48
  19. Qt使用教程

    1 项目背景 在完成最后一个项目的过程中,因为之前的定制版本是基于C#和WPF的,由于Qt的跨平台特性,而且相较于WPF简单易学,资料丰富,界面漂亮,尤其是能够独立安装和跨平台的特性,使得在项目开发初期就选择了C++与Qt的版本。由于之前并没有进行过界面类的开发,因此在这里…...

    2024/3/16 7:27:41
  20. 手把手教你实现基于RT-Thread的百度语音识别(一)

    RT-Thread简介 RT-Thread是一个集实时操作系统(RTOS)内核、中间件组件和开发者社区于一体的技术平台,由熊谱翔先生带领并集合开源社区力量开发而成,RT-Thread也是一个组件完整丰富、高度可伸缩、简易开发、超低功耗、高安全性的物联网操作系统。RT-Thread具备一个IoT OS平台…...

    2024/3/14 21:13:45

最新文章

  1. 正弦实时数据库(SinRTDB)使用(3)-用户管理

    通过实时数据库管理工具登录后&#xff0c;在头部功能区的用户管理或左侧导航菜单的用户管理都可以打开用户管理功能界面&#xff0c;用户管理功能界面展示在中部主窗口区。 用户管理界面如下所示&#xff1a; 用户管理顶部包含刷新、添加用户、修改角色、修改密码及删除用户等…...

    2024/3/28 20:00:38
  2. 梯度消失和梯度爆炸的一些处理方法

    在这里是记录一下梯度消失或梯度爆炸的一些处理技巧。全当学习总结了如有错误还请留言&#xff0c;在此感激不尽。 权重和梯度的更新公式如下&#xff1a; w w − η ⋅ ∇ w w w - \eta \cdot \nabla w ww−η⋅∇w 个人通俗的理解梯度消失就是网络模型在反向求导的时候出…...

    2024/3/20 10:50:27
  3. IDEA 远程调试

    1.什么是远程调试 Java提供了一个远程调试功能&#xff0c;支持设置断点及线程级的调试同时&#xff0c;不同的JVM通过接口的协议联系&#xff0c;本地的Java文件在远程JVM建立联系和通信。 2.服务端开启远程调试 开启远程调试功能&#xff0c;需要修改tomcat 的catalina.sh…...

    2024/3/28 18:20:12
  4. Token的详解

    Token的详解 文章目录 Token的详解前言:简介:使用token&#xff1a; 前言: 为什么会用到Token&#xff0c;因为cookie和session一些自身的缺点&#xff0c;限制了一些功能的实现&#xff0c;比如&#xff1a; cookie&#xff1a;优点是节省服务器空间&#xff0c;缺点不安全。…...

    2024/3/28 10:35:15
  5. node整理学习(二)

    模块化的概念 一、什么是模块化 模块化是指解决一个复杂问题时&#xff0c;自顶向下逐层把系统划分成若干模块的过程&#xff0c;模块是可组合、分解和更换的单元 二、模块化的好处 1、提高了代码的复用性 2、提高了代码的可维护性 3、可以实现按需加载 三、模块化规范 …...

    2024/3/28 4:29:35
  6. 【外汇早评】美通胀数据走低,美元调整

    原标题:【外汇早评】美通胀数据走低,美元调整昨日美国方面公布了新一期的核心PCE物价指数数据,同比增长1.6%,低于前值和预期值的1.7%,距离美联储的通胀目标2%继续走低,通胀压力较低,且此前美国一季度GDP初值中的消费部分下滑明显,因此市场对美联储后续更可能降息的政策…...

    2024/3/27 10:21:24
  7. 【原油贵金属周评】原油多头拥挤,价格调整

    原标题:【原油贵金属周评】原油多头拥挤,价格调整本周国际劳动节,我们喜迎四天假期,但是整个金融市场确实流动性充沛,大事频发,各个商品波动剧烈。美国方面,在本周四凌晨公布5月份的利率决议和新闻发布会,维持联邦基金利率在2.25%-2.50%不变,符合市场预期。同时美联储…...

    2024/3/24 20:11:25
  8. 【外汇周评】靓丽非农不及疲软通胀影响

    原标题:【外汇周评】靓丽非农不及疲软通胀影响在刚结束的周五,美国方面公布了新一期的非农就业数据,大幅好于前值和预期,新增就业重新回到20万以上。具体数据: 美国4月非农就业人口变动 26.3万人,预期 19万人,前值 19.6万人。 美国4月失业率 3.6%,预期 3.8%,前值 3…...

    2024/3/18 12:12:47
  9. 【原油贵金属早评】库存继续增加,油价收跌

    原标题:【原油贵金属早评】库存继续增加,油价收跌周三清晨公布美国当周API原油库存数据,上周原油库存增加281万桶至4.692亿桶,增幅超过预期的74.4万桶。且有消息人士称,沙特阿美据悉将于6月向亚洲炼油厂额外出售更多原油,印度炼油商预计将每日获得至多20万桶的额外原油供…...

    2024/3/24 20:11:23
  10. 【外汇早评】日本央行会议纪要不改日元强势

    原标题:【外汇早评】日本央行会议纪要不改日元强势近两日日元大幅走强与近期市场风险情绪上升,避险资金回流日元有关,也与前一段时间的美日贸易谈判给日本缓冲期,日本方面对汇率问题也避免继续贬值有关。虽然今日早间日本央行公布的利率会议纪要仍然是支持宽松政策,但这符…...

    2024/3/26 20:58:42
  11. 【原油贵金属早评】欧佩克稳定市场,填补伊朗问题的影响

    原标题:【原油贵金属早评】欧佩克稳定市场,填补伊朗问题的影响近日伊朗局势升温,导致市场担忧影响原油供给,油价试图反弹。此时OPEC表态稳定市场。据消息人士透露,沙特6月石油出口料将低于700万桶/日,沙特已经收到石油消费国提出的6月份扩大出口的“适度要求”,沙特将满…...

    2024/3/28 17:01:12
  12. 【外汇早评】美欲与伊朗重谈协议

    原标题:【外汇早评】美欲与伊朗重谈协议美国对伊朗的制裁遭到伊朗的抗议,昨日伊朗方面提出将部分退出伊核协议。而此行为又遭到欧洲方面对伊朗的谴责和警告,伊朗外长昨日回应称,欧洲国家履行它们的义务,伊核协议就能保证存续。据传闻伊朗的导弹已经对准了以色列和美国的航…...

    2024/3/24 5:55:47
  13. 【原油贵金属早评】波动率飙升,市场情绪动荡

    原标题:【原油贵金属早评】波动率飙升,市场情绪动荡因中美贸易谈判不安情绪影响,金融市场各资产品种出现明显的波动。随着美国与中方开启第十一轮谈判之际,美国按照既定计划向中国2000亿商品征收25%的关税,市场情绪有所平复,已经开始接受这一事实。虽然波动率-恐慌指数VI…...

    2024/3/27 10:28:22
  14. 【原油贵金属周评】伊朗局势升温,黄金多头跃跃欲试

    原标题:【原油贵金属周评】伊朗局势升温,黄金多头跃跃欲试美国和伊朗的局势继续升温,市场风险情绪上升,避险黄金有向上突破阻力的迹象。原油方面稍显平稳,近期美国和OPEC加大供给及市场需求回落的影响,伊朗局势并未推升油价走强。近期中美贸易谈判摩擦再度升级,美国对中…...

    2024/3/26 23:04:51
  15. 【原油贵金属早评】市场情绪继续恶化,黄金上破

    原标题:【原油贵金属早评】市场情绪继续恶化,黄金上破周初中国针对于美国加征关税的进行的反制措施引发市场情绪的大幅波动,人民币汇率出现大幅的贬值动能,金融市场受到非常明显的冲击。尤其是波动率起来之后,对于股市的表现尤其不安。隔夜美国股市出现明显的下行走势,这…...

    2024/3/26 11:20:25
  16. 【外汇早评】美伊僵持,风险情绪继续升温

    原标题:【外汇早评】美伊僵持,风险情绪继续升温昨日沙特两艘油轮再次发生爆炸事件,导致波斯湾局势进一步恶化,市场担忧美伊可能会出现摩擦生火,避险品种获得支撑,黄金和日元大幅走强。美指受中美贸易问题影响而在低位震荡。继5月12日,四艘商船在阿联酋领海附近的阿曼湾、…...

    2024/3/24 20:11:18
  17. 【原油贵金属早评】贸易冲突导致需求低迷,油价弱势

    原标题:【原油贵金属早评】贸易冲突导致需求低迷,油价弱势近日虽然伊朗局势升温,中东地区几起油船被袭击事件影响,但油价并未走高,而是出于调整结构中。由于市场预期局势失控的可能性较低,而中美贸易问题导致的全球经济衰退风险更大,需求会持续低迷,因此油价调整压力较…...

    2024/3/28 9:10:53
  18. 氧生福地 玩美北湖(上)——为时光守候两千年

    原标题:氧生福地 玩美北湖(上)——为时光守候两千年一次说走就走的旅行,只有一张高铁票的距离~ 所以,湖南郴州,我来了~ 从广州南站出发,一个半小时就到达郴州西站了。在动车上,同时改票的南风兄和我居然被分到了一个车厢,所以一路非常愉快地聊了过来。 挺好,最起…...

    2024/3/24 20:11:16
  19. 氧生福地 玩美北湖(中)——永春梯田里的美与鲜

    原标题:氧生福地 玩美北湖(中)——永春梯田里的美与鲜一觉醒来,因为大家太爱“美”照,在柳毅山庄去寻找龙女而错过了早餐时间。近十点,向导坏坏还是带着饥肠辘辘的我们去吃郴州最富有盛名的“鱼头粉”。说这是“十二分推荐”,到郴州必吃的美食之一。 哇塞!那个味美香甜…...

    2024/3/24 20:11:15
  20. 氧生福地 玩美北湖(下)——奔跑吧骚年!

    原标题:氧生福地 玩美北湖(下)——奔跑吧骚年!让我们红尘做伴 活得潇潇洒洒 策马奔腾共享人世繁华 对酒当歌唱出心中喜悦 轰轰烈烈把握青春年华 让我们红尘做伴 活得潇潇洒洒 策马奔腾共享人世繁华 对酒当歌唱出心中喜悦 轰轰烈烈把握青春年华 啊……啊……啊 两…...

    2024/3/27 7:12:50
  21. 扒开伪装医用面膜,翻六倍价格宰客,小姐姐注意了!

    原标题:扒开伪装医用面膜,翻六倍价格宰客,小姐姐注意了!扒开伪装医用面膜,翻六倍价格宰客!当行业里的某一品项火爆了,就会有很多商家蹭热度,装逼忽悠,最近火爆朋友圈的医用面膜,被沾上了污点,到底怎么回事呢? “比普通面膜安全、效果好!痘痘、痘印、敏感肌都能用…...

    2024/3/24 20:11:13
  22. 「发现」铁皮石斛仙草之神奇功效用于医用面膜

    原标题:「发现」铁皮石斛仙草之神奇功效用于医用面膜丽彦妆铁皮石斛医用面膜|石斛多糖无菌修护补水贴19大优势: 1、铁皮石斛:自唐宋以来,一直被列为皇室贡品,铁皮石斛生于海拔1600米的悬崖峭壁之上,繁殖力差,产量极低,所以古代仅供皇室、贵族享用 2、铁皮石斛自古民间…...

    2024/3/26 11:21:23
  23. 丽彦妆\医用面膜\冷敷贴轻奢医学护肤引导者

    原标题:丽彦妆\医用面膜\冷敷贴轻奢医学护肤引导者【公司简介】 广州华彬企业隶属香港华彬集团有限公司,专注美业21年,其旗下品牌: 「圣茵美」私密荷尔蒙抗衰,产后修复 「圣仪轩」私密荷尔蒙抗衰,产后修复 「花茵莳」私密荷尔蒙抗衰,产后修复 「丽彦妆」专注医学护…...

    2024/3/28 18:26:34
  24. 广州械字号面膜生产厂家OEM/ODM4项须知!

    原标题:广州械字号面膜生产厂家OEM/ODM4项须知!广州械字号面膜生产厂家OEM/ODM流程及注意事项解读: 械字号医用面膜,其实在我国并没有严格的定义,通常我们说的医美面膜指的应该是一种「医用敷料」,也就是说,医用面膜其实算作「医疗器械」的一种,又称「医用冷敷贴」。 …...

    2024/3/28 12:42:28
  25. 械字号医用眼膜缓解用眼过度到底有无作用?

    原标题:械字号医用眼膜缓解用眼过度到底有无作用?医用眼膜/械字号眼膜/医用冷敷眼贴 凝胶层为亲水高分子材料,含70%以上的水分。体表皮肤温度传导到本产品的凝胶层,热量被凝胶内水分子吸收,通过水分的蒸发带走大量的热量,可迅速地降低体表皮肤局部温度,减轻局部皮肤的灼…...

    2024/3/26 9:58:17
  26. 配置失败还原请勿关闭计算机,电脑开机屏幕上面显示,配置失败还原更改 请勿关闭计算机 开不了机 这个问题怎么办...

    解析如下&#xff1a;1、长按电脑电源键直至关机&#xff0c;然后再按一次电源健重启电脑&#xff0c;按F8健进入安全模式2、安全模式下进入Windows系统桌面后&#xff0c;按住“winR”打开运行窗口&#xff0c;输入“services.msc”打开服务设置3、在服务界面&#xff0c;选中…...

    2022/11/19 21:17:18
  27. 错误使用 reshape要执行 RESHAPE,请勿更改元素数目。

    %读入6幅图像&#xff08;每一幅图像的大小是564*564&#xff09; f1 imread(WashingtonDC_Band1_564.tif); subplot(3,2,1),imshow(f1); f2 imread(WashingtonDC_Band2_564.tif); subplot(3,2,2),imshow(f2); f3 imread(WashingtonDC_Band3_564.tif); subplot(3,2,3),imsho…...

    2022/11/19 21:17:16
  28. 配置 已完成 请勿关闭计算机,win7系统关机提示“配置Windows Update已完成30%请勿关闭计算机...

    win7系统关机提示“配置Windows Update已完成30%请勿关闭计算机”问题的解决方法在win7系统关机时如果有升级系统的或者其他需要会直接进入一个 等待界面&#xff0c;在等待界面中我们需要等待操作结束才能关机&#xff0c;虽然这比较麻烦&#xff0c;但是对系统进行配置和升级…...

    2022/11/19 21:17:15
  29. 台式电脑显示配置100%请勿关闭计算机,“准备配置windows 请勿关闭计算机”的解决方法...

    有不少用户在重装Win7系统或更新系统后会遇到“准备配置windows&#xff0c;请勿关闭计算机”的提示&#xff0c;要过很久才能进入系统&#xff0c;有的用户甚至几个小时也无法进入&#xff0c;下面就教大家这个问题的解决方法。第一种方法&#xff1a;我们首先在左下角的“开始…...

    2022/11/19 21:17:14
  30. win7 正在配置 请勿关闭计算机,怎么办Win7开机显示正在配置Windows Update请勿关机...

    置信有很多用户都跟小编一样遇到过这样的问题&#xff0c;电脑时发现开机屏幕显现“正在配置Windows Update&#xff0c;请勿关机”(如下图所示)&#xff0c;而且还需求等大约5分钟才干进入系统。这是怎样回事呢&#xff1f;一切都是正常操作的&#xff0c;为什么开时机呈现“正…...

    2022/11/19 21:17:13
  31. 准备配置windows 请勿关闭计算机 蓝屏,Win7开机总是出现提示“配置Windows请勿关机”...

    Win7系统开机启动时总是出现“配置Windows请勿关机”的提示&#xff0c;没过几秒后电脑自动重启&#xff0c;每次开机都这样无法进入系统&#xff0c;此时碰到这种现象的用户就可以使用以下5种方法解决问题。方法一&#xff1a;开机按下F8&#xff0c;在出现的Windows高级启动选…...

    2022/11/19 21:17:12
  32. 准备windows请勿关闭计算机要多久,windows10系统提示正在准备windows请勿关闭计算机怎么办...

    有不少windows10系统用户反映说碰到这样一个情况&#xff0c;就是电脑提示正在准备windows请勿关闭计算机&#xff0c;碰到这样的问题该怎么解决呢&#xff0c;现在小编就给大家分享一下windows10系统提示正在准备windows请勿关闭计算机的具体第一种方法&#xff1a;1、2、依次…...

    2022/11/19 21:17:11
  33. 配置 已完成 请勿关闭计算机,win7系统关机提示“配置Windows Update已完成30%请勿关闭计算机”的解决方法...

    今天和大家分享一下win7系统重装了Win7旗舰版系统后&#xff0c;每次关机的时候桌面上都会显示一个“配置Windows Update的界面&#xff0c;提示请勿关闭计算机”&#xff0c;每次停留好几分钟才能正常关机&#xff0c;导致什么情况引起的呢&#xff1f;出现配置Windows Update…...

    2022/11/19 21:17:10
  34. 电脑桌面一直是清理请关闭计算机,windows7一直卡在清理 请勿关闭计算机-win7清理请勿关机,win7配置更新35%不动...

    只能是等着&#xff0c;别无他法。说是卡着如果你看硬盘灯应该在读写。如果从 Win 10 无法正常回滚&#xff0c;只能是考虑备份数据后重装系统了。解决来方案一&#xff1a;管理员运行cmd&#xff1a;net stop WuAuServcd %windir%ren SoftwareDistribution SDoldnet start WuA…...

    2022/11/19 21:17:09
  35. 计算机配置更新不起,电脑提示“配置Windows Update请勿关闭计算机”怎么办?

    原标题&#xff1a;电脑提示“配置Windows Update请勿关闭计算机”怎么办&#xff1f;win7系统中在开机与关闭的时候总是显示“配置windows update请勿关闭计算机”相信有不少朋友都曾遇到过一次两次还能忍但经常遇到就叫人感到心烦了遇到这种问题怎么办呢&#xff1f;一般的方…...

    2022/11/19 21:17:08
  36. 计算机正在配置无法关机,关机提示 windows7 正在配置windows 请勿关闭计算机 ,然后等了一晚上也没有关掉。现在电脑无法正常关机...

    关机提示 windows7 正在配置windows 请勿关闭计算机 &#xff0c;然后等了一晚上也没有关掉。现在电脑无法正常关机以下文字资料是由(历史新知网www.lishixinzhi.com)小编为大家搜集整理后发布的内容&#xff0c;让我们赶快一起来看一下吧&#xff01;关机提示 windows7 正在配…...

    2022/11/19 21:17:05
  37. 钉钉提示请勿通过开发者调试模式_钉钉请勿通过开发者调试模式是真的吗好不好用...

    钉钉请勿通过开发者调试模式是真的吗好不好用 更新时间:2020-04-20 22:24:19 浏览次数:729次 区域: 南阳 > 卧龙 列举网提醒您:为保障您的权益,请不要提前支付任何费用! 虚拟位置外设器!!轨迹模拟&虚拟位置外设神器 专业用于:钉钉,外勤365,红圈通,企业微信和…...

    2022/11/19 21:17:05
  38. 配置失败还原请勿关闭计算机怎么办,win7系统出现“配置windows update失败 还原更改 请勿关闭计算机”,长时间没反应,无法进入系统的解决方案...

    前几天班里有位学生电脑(windows 7系统)出问题了&#xff0c;具体表现是开机时一直停留在“配置windows update失败 还原更改 请勿关闭计算机”这个界面&#xff0c;长时间没反应&#xff0c;无法进入系统。这个问题原来帮其他同学也解决过&#xff0c;网上搜了不少资料&#x…...

    2022/11/19 21:17:04
  39. 一个电脑无法关闭计算机你应该怎么办,电脑显示“清理请勿关闭计算机”怎么办?...

    本文为你提供了3个有效解决电脑显示“清理请勿关闭计算机”问题的方法&#xff0c;并在最后教给你1种保护系统安全的好方法&#xff0c;一起来看看&#xff01;电脑出现“清理请勿关闭计算机”在Windows 7(SP1)和Windows Server 2008 R2 SP1中&#xff0c;添加了1个新功能在“磁…...

    2022/11/19 21:17:03
  40. 请勿关闭计算机还原更改要多久,电脑显示:配置windows更新失败,正在还原更改,请勿关闭计算机怎么办...

    许多用户在长期不使用电脑的时候&#xff0c;开启电脑发现电脑显示&#xff1a;配置windows更新失败&#xff0c;正在还原更改&#xff0c;请勿关闭计算机。。.这要怎么办呢&#xff1f;下面小编就带着大家一起看看吧&#xff01;如果能够正常进入系统&#xff0c;建议您暂时移…...

    2022/11/19 21:17:02
  41. 还原更改请勿关闭计算机 要多久,配置windows update失败 还原更改 请勿关闭计算机,电脑开机后一直显示以...

    配置windows update失败 还原更改 请勿关闭计算机&#xff0c;电脑开机后一直显示以以下文字资料是由(历史新知网www.lishixinzhi.com)小编为大家搜集整理后发布的内容&#xff0c;让我们赶快一起来看一下吧&#xff01;配置windows update失败 还原更改 请勿关闭计算机&#x…...

    2022/11/19 21:17:01
  42. 电脑配置中请勿关闭计算机怎么办,准备配置windows请勿关闭计算机一直显示怎么办【图解】...

    不知道大家有没有遇到过这样的一个问题&#xff0c;就是我们的win7系统在关机的时候&#xff0c;总是喜欢显示“准备配置windows&#xff0c;请勿关机”这样的一个页面&#xff0c;没有什么大碍&#xff0c;但是如果一直等着的话就要两个小时甚至更久都关不了机&#xff0c;非常…...

    2022/11/19 21:17:00
  43. 正在准备配置请勿关闭计算机,正在准备配置windows请勿关闭计算机时间长了解决教程...

    当电脑出现正在准备配置windows请勿关闭计算机时&#xff0c;一般是您正对windows进行升级&#xff0c;但是这个要是长时间没有反应&#xff0c;我们不能再傻等下去了。可能是电脑出了别的问题了&#xff0c;来看看教程的说法。正在准备配置windows请勿关闭计算机时间长了方法一…...

    2022/11/19 21:16:59
  44. 配置失败还原请勿关闭计算机,配置Windows Update失败,还原更改请勿关闭计算机...

    我们使用电脑的过程中有时会遇到这种情况&#xff0c;当我们打开电脑之后&#xff0c;发现一直停留在一个界面&#xff1a;“配置Windows Update失败&#xff0c;还原更改请勿关闭计算机”&#xff0c;等了许久还是无法进入系统。如果我们遇到此类问题应该如何解决呢&#xff0…...

    2022/11/19 21:16:58
  45. 如何在iPhone上关闭“请勿打扰”

    Apple’s “Do Not Disturb While Driving” is a potentially lifesaving iPhone feature, but it doesn’t always turn on automatically at the appropriate time. For example, you might be a passenger in a moving car, but your iPhone may think you’re the one dri…...

    2022/11/19 21:16:57