1、在C++代码中调用FST的方法进行操作

FST中的几个基本的抽象类模板

• Fst 支持基本的fst的操作
• ExpandedFst 额外增加了NumStates()方法
• MutableFst 增加了几种操作的变种比如AddStates()和SetStart()

Fst中的几种非抽象类模板

• VectorFst
• ConstFst
• ComposeFst

FST的C++操作一般有三种形式：

（1） Destructive：例如 Connect操作， 会改变其输入

void Connect(MutableFst<Arc> *fst);

（2）Constructive：例如Reverse操作， 创建一个新的expanedFst

void Reverse(const Fst<Arc> &infst, MutableFst<Arc> *outfst);

（3）Delayed： 例如ComposeFst,创建一个unexpectedFst

ComposeFst<Arc>(const Fst<Arc> &fst1, const Fst<Arc> &fst2);

2、shell操作fst， 使用C++编写好的命令进行操作，参数包括输入和输出的fst，如果没有则为标准输入输出

  - Unary Operations
  fstunaryop in.fst out.fst
  fstunaryop <in.fst >out.fst
  - Binary Operation
  fstbinaryop in1.fst in2.fst out.fst
  fstbinaryop - in2.fst <in1.fst >out.fst

3、WFST中最重要的Composition操作举例：

C++代码中：

#include <fst/fstlib.h>
namespace fst {
  // 读取input.fst
  StdVectorFst *input = StdVectorFst::Read("input.fst");
  // 读取另一个model.fst
  StdVectorFst *model = StdVectorFst::Read("model.fst");
  // The FSTs must be sorted along the dimensions they will be joined.
  // In fact, only one needs to be so sorted.
  // This could have instead been done for "model.fst" when it was created.
  // 只需要给model.fst排序即可
  ArcSort(input, StdOLabelCompare());
  ArcSort(model, StdILabelCompare());
  // Container for composition result.
  //定义合成的composition的fst
  StdVectorFst result;
  // Creates the composed FST.
  // 进行compose操作 输入input, model, 输出result
  Compose(*input, *model, &result);
  // Just keeps the output labels.
  Project(&result, PROJECT_OUTPUT);
  // Writes the result FST to a file.
  // 保存result.fst
  result.Write("result.fst");
shell中进行compose操作，过程与C++中的一致：
 
$ fstarcsort --sort_type=olabel input.fst input_sorted.fst
$ fstarcsort --sort_type=ilabel model.fst model_sorted.fst
$ fstcompose input_sorted.fst model_sorted.fst comp.fst
$ fstproject --project_output comp.fst result.fst
# 直接通过一个管道操作
$ fstarcsort --sort_type=ilabel model.fst | fstcompose input.fst - | fstproject --project_output result.fst
 
4、常用的FST操作
 
参考官网 http://www.openfst.org/twiki/bin/view/FST/FstQuickTour
 
5、FST的一些定义：
 
权重的计算都定义在一个Weight类型中，包括半环的加操作Plus(x, y)和乘操作Times(x, y)，静态成员函数Zero(), One()代表加操作和乘操作的幺元。加操作用来计算两条可选的路劲。比如Tropical半环的加操作为min(x, y),表示选择路径权重小的作为新的权重。乘操作是在于一条路径上上计算匹配的路径，包括composition操作。当且仅当一个状态的权重不为加操作的幺元时才能作为终止状态。同理，一条路径的权重也不能使加操作的幺元。不然这条路劲就没有任何意义。与幺元进行加操作等于其本身。 
 到这基本了解了FST的一些基本的用法。现在总结一下。一个WFST包含的东西应该有状态集合，转移结合，输入label，输出label，权重。 
 定义一个stdvectorFst 要对其添加状态addstate（）， 添加转移addarc（）， 而输出label和输入label以及权重都是保存在一个类中。这个类就是我们之前一直看到的Arc。这个类保存了输入label，输出label和权重信息。是FST中最关键的一个类。我们再来复习一下这个类的声明：
 
StdFst *fst = StdFst::Read("binary.fst")
//Here is the standard representation of an arc:
struct StdArc {
 typedef int Label;
 typedef TropicalWeight Weight; // see "FST Weights" below
 typedef int StateId;
 Label ilabel;                  //输入label，其实就是一个int类型，因为label已经转化为对应的数值了
 Label olabel;                    //输出label
 Weight weight;                  //从上面的定义中看出是一个满足Tropical半环计算的Weight类型的权重
 StateId nextstate;               //到达的状态id，也是int类型
所以在之后看到Label类型和StateId类型都不需要慌张，它们都是int类型，都是转化的数字。
首先看博客：传送门
同时可以参考如何去查看里面的各个文件：传送门
了解HCLG.fst由哪四部分构成的，他们的构成的先后顺序是怎么样的，以及构成每一步的时候他们的输入输出文件是什么。
HCLG.fst由四部分构成
G：语言模型WFST，输入输出符号相同，实际是一个WFSA（acceptor接受机），为了方便与其它三个WFST进行操...
				
std::fstream旨在以独立于平台的方式处理文件。
std::fstream从std::ofstream那里继承了写入文件的功能，并从std::ifstream那里继承了读取文件的功能，从而能够提供读写的功能。
要使用fstream、ofstream和ifstream类时，需要使用方法open打开文件！
其原型是：
imbue(locale(“chs”));设置中文模式
void open(...
				
安装环境：vm2015pro 安装虚拟机ubuntu19.10
安装过程完全参考吴本谷的《Kaldi的全部资料_0.4》（感谢吴本谷提供的资料，让我有信心开始入手kaldi）.
下面记录一下过程中的问题。
文章目录E: Unable to locate package libtoosudo apt-get install libatlas-devwget http://www.zlib.net/z...
				
一、std::vector的6种初始化方式
1、vector ilist1;
默认初始化，vector为空， size为0，表明容器中没有元素，而且 capacity 也返回 0，意味着还没有分配内存空间。这种初始化方式适用于元素个数未知，需要在程序中动态添加的情况。
2、vector ilist2(ilist);
vector ilist2  = ilist;
两种方式等价 ，ilist2 初始化为ilist 的拷贝，ilist必须与ilist2 类型相同，也就是同为int的vector类型，ilist2
http://www.slideshare.net/lucenerevolution/what-is-inaluceneagrandfinal
http://www.slideshare.net/jpountz/how-does-lucene-store-your-data
http://www.infoq.com/cn/articles/database-timestam...
2. 避免序列化不必要的字段，只序列化需要的字段，可以减少序列化的数据量和时间。
3. 使用基于二进制的序列化格式，例如Protobuf和Avro，它们比基于文本的格式（如JSON和XML）更快。
4. 避免使用反射，因为反射会降低序列化的速度。
5. 使用缓存，将序列化后的对象缓存起来，可以避免重复序列化相同的对象，提高序列化速度。
希望这些方法能够帮助您提升Java对象序列化的速度。
[code=python]
Traceback (most recent call last):
  File "/opt/anaconda/lib/python3.7/multiprocessing/pool.py", line 121, in worker
    result = (True, func(*args, **kwds))
  File "/opt/anaconda/lib/python3.7/multiprocessing/pool.py", line 44, in mapstar
    return list(map(*args))
  File "/home/yyk/PycharmProjects/untitled1/cgp-cnn-PyTorch-master/cgp_config.py", line 12, in arg_wrapper_mp
    return args[0](*args[1:])
  File "/home/yyk/PycharmProjects/untitled1/cgp-cnn-PyTorch-master/cgp_config.py", line 33, in cnn_eval
    evaluation = train(net, gpu_id, epoch_num=epoch_num, out_model=None)
  File "/home/yyk/PycharmProjects/untitled1/cgp-cnn-PyTorch-master/cnn_train.py", line 154, in __call__
    init_weights(model, 'kaiming')
  File "/home/yyk/PycharmProjects/untitled1/cgp-cnn-PyTorch-master/cnn_train.py", line 92, in init_weights
    net.apply(weights_init_kaiming)
  File "/opt/anaconda/lib/python3.7/site-packages/torch/nn/modules/module.py", line 293, in apply
    module.apply(fn)
                torch.nn.init(nn/init.py)
                    faner1994
                    Sylvester2017: 
不好意思，才看到。会不会是版本问题啊。
                torch.nn.Parameter(nn/parameter.py)
                    faner1994
                    LiFei8575857: 
需要注册参数，所有的参数是存在 self._parameters中，仔细看一下module模块。
                torch.nn.Parameter(nn/parameter.py)
                    LiFei8575857: 
                    请问我通过Parameter在model中定义一个变量x，为啥x没出现在model.parameters中呢？
                torch.nn.init(nn/init.py)
                    Sylvester2017: 
                    作者您好！我在使用以上代码的过程中遇到个问题，xavier_uniform()和xavier_normal()两个函数提示maximum recursion depth exceeded，if isinstance语句后面的递归超过最大递归深度，参考了maximum recursion depth exceeded的一些解决方法仍没有解决，想请教您。谢谢！
[/code]