最优解

迄今为止训练效果最好的一组参数集是：

1

python DeepSpeech.py --train_files /mnt/g/myowncorpus/dst.csv --dev_files /mnt/g/myowncorpus/dst.csv --export_dir /mnt/g/myowncorpus/ --checkpoint_dir /mnt/g/myowncorpus/checkpoints128 --alphabet_config_path /mnt/g/myowncorpus/alphabet.txt --dropout_rate 0.3 --early_stop True --n_hidden 128 --export_file_name hidden128 --export_author_id hidden128 --epochs 200 --export_model_version 0.0.3 --lm_alpha 0.6940122363709647 --lm_beta 4.777924224113021 --export_language cmn-Hans-CN --reduce_lr_on_plateau False --es_epochs 800 --test_files /mnt/g/myowncorpus/dst.csv --learning_rate 0.001 --beam_width 100

旺财

客厅

卧室

书房

窗帘

全程参照官方文档 ，仅少许浅坑。这篇文章算是摘要 + 翻译 + 注解吧。

前提条件

• Python 3.6

  严格遵守，实测 3.8 版本会有诸多错误。

• Mac 或 Linux 环境

  建议避过 Mac，缺失的依赖比 Linux 多很多，问题也多，我是半途放弃 Mac 转到 Ubuntu 的。可以通过启用 Windows 10 的 WSL 功能创建 Ubuntu 环境，可以使用所有的硬件能力。

• CUDA 10.0 / CuDNN v7.6 per Dockerfile.

  这条为非必须，因为我是新手，直接用 CPU 训练的。

Mozilla 实现的 DeepSpeech 语音识别引擎可以离线使用、可以运行在树莓派 4 上，简直就是给我准备的。

它附赠了一个训练好的普通话模型，我暂时没有试用。但训练自己专属的语音助手明显更带感，也更能贴近自己的说话习惯。

协议

调研中发现，小米开放了一套自研的控制协议 https://github.com/OpenMiHome/mihome-binary-protocol 。对应的 python 实现在这里 https://github.com/rytilahti/python-miio 。下文提到的云仪开窗器就是采用的 miio 。miio 涉及一个 token，看了下源码，token 大概是端到端的数据加密密钥的作用，https://github.com/al-one/hass-xiaomi-miot#obtain-miio-token 这里有获取 token 方法。

灯具

yeelight。控制协议完全开放，https://www.yeelight.com/download/Yeelight_Inter-Operation_Spec.pdf，有可直接使用的 python 包， https://pypi.org/project/yeelight/ 。大概看了下是参照 spec 实现的。

HomeAssistant 是一个开源的、Python 实现的、可本地部署 的智能家居自动化服务。至今已集成了上千种智能家电、开放平台，比如 Yeelight、Opple（欧普）、Google Assistant 等等等等。

可以说，HomeAssistant 基本满足了我对智能家居中控系统的要求，尤其我一直强调的安全性问题。市面上绝大多数智能家居平台都是远程式的、不可部署的，直接引入了两大安全隐患：

1

ffmpeg -i input.mp4 -filter_complex showwavespic=s=1800x600:split_channels=1 output.jpg

把 input.mp4 里的默认音频流的采样波形图打印到 output.jpg 。s=1800x600 指定输出图片尺寸；split_channels=1 可以把多个声道分别打印一行。

普通的串行版本 和优化思路在这里。

跟 AVX2 不一样的大概是两点：

• NEON 指令只可以同时处理 4 个 float 数据
• NEON 有自己的函数集

这里 是一份 C++ 混响算法的实现，修正掉索引下溢 BUG 后大概是这样：

1
2
3
4
5
6
7
8
9

size_t samples = file.file_size / 4;
size_t ir_samples = sizeof(ir) / 4;
for (size_t i = 0; i < samples; ++i)
{
    for (size_t j = 0; j < ir_samples && i >= j; ++j) 
    {
        file.out_file_data[i] += file.in_file_data[i - j] * ir[j];
    }
}

在我的 Intel i7-7700 4 核机器上，混响一段 60s、单声道、float 采样的 pcm 音频需要 12452 ms 的时间。

C++17 终于把并行计算引入到了 STL，且更新成本极低，只是把 大多数迭代算法函数 多加了一个并行版本的重载，实现了并行、并发两个维度上的性能优化。

比如，对一组数据做一个加倍的 transform：

• 串行版本，同以前：

  1	std::transform(std::execution::seq, iter_begin, iter_end, output_iter, [](int val) { return val * 2; });