Conformer阅读笔记

论文：《Conformer: Convolution-augmented Transformer for Speech Recognition》

摘要

基于transformer和卷积神经网络cnn的模型在ASR上已经达到了较好的效果，都要优于RNN的效果。Transformer能够捕获长序列的依赖和基于内容的全局交互信息，CNN则能够有效利用局部特征。因此本文将transformer和cnn结合起来，对音频序列进行局部和全局依赖都进行建模，针对语音识别问题提出了卷积增强的transformer模型，称为conformer，模型性能比transformer和cnn都要好，成为了新的sota。在Libri Speech benchmark上，consformer不使用语言模型时WER就达到了2.1%/4.3%，使用外部语言模型时WER为1.9%/3.9%。

1 Introduction

基于self-attention或者convolutions的模型都有各自的局限性。虽然transformer可以对大范围的全局上下文进行建模，但是它不能提取细粒度的局部特征；卷积神经网络（CNN）可以利用局部信息进行计算，但是它的缺陷是需要更多的层和参数去捕获全局性信息。
最近的研究表明，将卷积和self-attention结合起来能够得到更好的提升效果，既能够学习到基于位置的局部特征，也能学习到基于内容的全局交互信息。
本文提出了一种新的self-attention和cnn结合起来的方式，在两方面都实现了最佳的效果：self-attention学习全局交互，cnn学习基于相对位置偏移的局部相关性，并将二者以sandwiched的方式结合起来，夹到一对前馈神经网络模块之间，模型结构如下图所示。提出的模型称为conformer，由两个macaron style(即feed-forward在两端，中间是multi-head self attention和convolution)的feed-forward的残差结构和multi-head self attention、convolution连接组成，后面跟着layernorm层进行归一化。

实验表明conformer在librispeech上实现了sota效果，在使用外部语言模型的情况下，性能比之前效果最好的transformer transducer提高了15%。

2、Conformer Encoder

encoder部分首先使用卷积子采样层处理输入，然后再输入进多个conformer blocks，可以理解为把transformer模型结构中的decoder部分不变，encoder部分变成了上图所示的conformer encoder，接下来详细介绍上图中的conformer blocks。

2.1 Multi-Headed Self-Attention Module

Multi-headed self-attention(MHSA)使用的是Transformer-XL中的相对位置编码，这种方法可以让这个模块对不同输入长度的语音更通用、更具有鲁棒性。MHSA的模块结构图如下图3所示，它由pre-norm（即layernorm放置于残差结构内）、残差和dropout组成，有助于对更深层次的网络模型进行训练和正则化。

2.2 Convolution Module

Convolution block模块结构图如下Figure 2所示，由Pointwise卷积、Depthwise卷积和Glu激活层、Swish激活层组成。BatchNorm只放到卷积层之后，以帮助训练深层的模型。
Depthwise卷积与Pointwise卷积讲解参考
Depthwise卷积与Pointwise卷积参数对比

2.3 Feed Forward Module

Feed Forward(FFN) module的模型结构图如上图4所示，由两个线性变换和一个非线性的激活函数组成，并使用pre-norm和残差结构进行连接。

2.4 Conformer Block

Conformer block的整体结构包括两个FFN、MHSA和卷积模块组成。这种结构的灵感来自Macaron-Net，使用两个均为1/2权重的FFN，并且第二个FFN后接layernorm。文中3.4.3节的消融实验也表明这种结构的FFN比单个FFN效果更好。设$x_i$是conformer block的输入，$y_i$是conformer block的输出，则用数学表示conformer block的输入输出如下：

3、结论

文章将CNN和Transformer结合起来组成了Conformer模型结构，用于端到端语音识别，并进行了多个实验研究了conformer比transformer性能要好，还证明了其中每个组成部分和卷积模块都对模型的性能很重要。与之前在LibriSpeech数据集上的工作相比，conformer具有更好的精度和更少的参数，并实现了1.9%/3.9%的sota性能。