开始复现ASRT 读取wav文件，写成string类型。
提取Feature，画频谱图。
读取数据。
尝试提取特征到文件保存
一天的课....晚上十点才坐在实验室...
提取完特征，保存到npy
发现现在提取特征的方法只是分帧、加窗、FFT，没经过滤波器、对数以及DCT，这个之后需要更改。
发现label应该转换成对应的数字
发现feature的保存存在些许问题
使用GitHub开源代码python_speech_features提取特征
重新提取了特征，（1700， 23）维。
但是好像每个batch中去设置最长的维度，可以节省计算。
fbank使用的特征维度更改为80
模型训练一直存在维度不对应的报错，仍在学习。
发现fit_generator需要用generator生成器来生成数据，因此进行这部分的编辑。
程序终于跑通了！
但是明显存在的问题是，对CTC这部分不太了解，这地方设计的补零操作还需要研究。
跑的结果来看，效果很差，97%的词错误率以及200左右的loss，需要调整的东西还有很多。
我又回来啦！忙完了好几个deadline，有时间再来做做这个事情。
给自己定一个计划，就是之后要做些什么。
1.继续弄这个代码，先把CTC这块弄懂，因为相对来说使用CTC搭建模型还是容易的，并且要能知道模型正确率上不去的原因
2.研究DTW、编辑距离这些算法
3.开始学kaldi，做HMM-GMM以及强制对齐这块儿。
了解了CTC的backend.ctc_batch_cost的输入输出。
修改了fit_generator的函数。
利用Callback在fit_generator时加入模型检测。
loss1000左右，需要更改。
使用讯飞的DFCNN框架，经过100次epoch，模型的loss降低到了1以下，词错误率降低到了20以下，但验证集的loss在30以上，尝试加入dropout解决。
DFCNN使用1600*200的语谱图作为特征输入，取得了29.77%的词错误率。
正在编写VGG16。
spectrogram DFCNN 29.77% VGG16 28.18%
fbank VGG16 28.77% DFCNN 17.86%
这个是使用32个样例做预测得到的结果，太少了，因此又用fbank做了256个样例预测，得到的WER为20.69%
因为30小时数据量是在太少，因此我又添加了实验室内部的intel的语料，正在尝试结果。