颜色不一样的烟火

RNN处理带有时间序列的数据时具有很大的优势，接下来几篇文章将介绍如何使用RNN训练一个简单的语音识别系统。 主要参考该GitHub项目，https://github.com/silicon-valley-data-science/RNN-Tutorial以及这篇文章http://www.tuicool.com/articles/JvQb2iV 该项目使用tensorflow1.0.1构建（py

前面几回，我们分析完了run_model函数的configuration过程以及数据的输入输出向量的生成，本回我们继续分析一下接下来具体的训练过程。

上回我们说到了get_audio_and_transcript函数、pad_sequences函数和sparse_tuple_from函数等3个函数，本回我们分析这3个函数分别实现了哪些功能。

上回我们分析了系统网络的基本结构，那么我们的网络又是如何训练的呢？要回答这个问题，我们先得回答我们的数据是如何获得的，这回我们就来分析一下这个过程。

上回分析了run_model函数的configuration过程，其中load_placeholder_into_network函数用于构建该语音识别系统中RNN网络的基本结构，本回将分析以下该网络。

本回我们主要分析run_model中的configuration过程的相关函数。1.run_model函数第二回我们简单介绍了run_model函数的结构，现在我们贴出代码如下所示： def run_model(self): self.graph = tf.Graph() with self.graph.as_default(), tf.device('/cpu

上回我们分析了模型的初始化，花开两朵各表一枝，本回我们说一下上回提到的set_dirs.py。该文件结构如下图所示：Created with Raphaël 2.1.0get_home_dirget_data_dir/get_conf_dir/get_model_dirget_relevant_directories其中， get_home_dir返回RNN-Tutorial所在目录，代码如下：d

上一回我们简要分析了Tf_train_ctc这个类的主要结构，本回我们主要讲Tf_train_ctc的__init__ 函数是如何初始化的。1. __init__ 函数代码如下： def __init__(self, config_file='neural_network.ini', model_name=None,

上回咱们说到项目的目录以及各个文件的作用，这回我们自顶向下开始分析该项目。项目开始于tf_train_ctc.py文件。1. 训练的开始代码如下图所示：if __name__ == '__main__': import click # Use click to parse command line arguments @click.command() @click.op

接着上回结束的地方，本回我们来分析sparse_tuple_to_texts函数和ndarray_to_text函数。