ASRガイド 2

環境のセットアップ

AWSインスタンスを起動する自動音声認識（ASR）と本記事で使用するツールの概要が把握できたところで、最初のステップはコードを実行できる環境を整えることです。 まず、p2.xlarge の AWS インスタンスを NVIDIA GPU‑Optimized AMI で起動します。起動後にインスタンスへ SSH 接続し、ポート8888をフォワードします。次に、NVIDIA NGC カタログから NeMo の Jupyter ノートブックをダウンロードし、NGC から NeMo の Docker コンテナをプルします。そのコンテナを起動して内部で Jupyter を立ち上げます。 ブラウザからノートブックにアクセスし、配布されているノートブックファイル（ASR と Weights & Biases を含む）をアップロードして解凍し、実行を開始します。 以上の6つの簡単な手順で、GPU 上で NeMo のコードを実行し、ASR モデルの学習と Weights & Biases による実験の追跡を行う準備が整います。 AWSインスタンスを起動するp2.xlargeおよび使用します NVIDIA GPU最適化 AMI。
AWSインスタンスにSSHで接続するポート8888をフォワードします。
NGC カタログから Jupyter ノートブックをダウンロードする ここからNGCへ。これをダウンロードします files.zip
NGC から NVIDIA NeMo の Docker コンテナをプルする 翻訳するテキストが提供されていません。翻訳したいテキストを送ってください。 docker pull nvcr.io/nvidia/nemo:1.6.1。
Dockerコンテナを実行する を使用して docker run --runtime=nvidia -it --rm --shm-size=16g -p 8888:8888 --ulimit memlock=-1 --ulimit stack=67108864 -v $(pwd):/notebooks nvcr.io/nvidia/nemo:1.6.1。
Docker コンテナ内に入ったら、Jupyter ノートブックを起動する 本記事は、NVIDIA の NeMo ツールキットを使ってエンドツーエンドの自動音声認識（ASR）システムを構築し、Weights & Biases で実験をトラッキングするための入門ガイドです。ASR（音声→テキスト）の簡単な定義と実用的な目標を示し、ASR モデルの学習と評価を行いつつ実験やメトリクスをログに記録する手順を説明します。 本稿の中心は、AWS 上で NeMo を動かし、Jupyter ノートブックを用いて再現可能な環境を素早く構築するための簡潔なセットアップ手順です。手順は次の通りです。 1. NVIDIA GPU‑Optimized AMI を用いて p2.xlarge の AWS インスタンスを起動する。 2. インスタンスに SSH で接続し、ポート 8888 をフォワードする。 3. NVIDIA NGC カタログから NeMo の Jupyter ノートブックをダウンロードする。 4. NGC から NeMo の Docker コンテナをプルする。 5. そのコンテナを実行する。 6. コンテナ内で Jupyter を起動する。 これらの 6 ステップを完了すれば、GPU ハードウェア上で NeMo のコードを実行できる準備が整い、ASR モデルの学習と Weights & Biases による実験トラッキングを開始できます。 jupyter notebook --port 8888。
に移動する localhost:8888 に Jupyter ノートブックにアクセスする。
ダウンロードしたものをアップロードする files.zip ステップ3でダウンロードし、解凍して ASR と Weights & Biases のノートブックにアクセスできるようにします。