k2:FSAFST算法，可区分，具有PyTorch兼容性

22 k2的愿景是能够将有限状态自动机（FSA）和有限状态换能器（FST）算法无缝集成到基于Autograd的机器学习工具包中，例如PyTorch和TensorFlow。对于语音识别应用程序，这应该易于插值和组合各种训练目标，例如交叉熵，CTC和MMI，并通过包括格码记录和置信度估计在内的多个解码通道共同优化语音识别系统。我们希望k2也将有许多其他应用程序。 我们希望在短期内提高效率的关键算法之一是修剪带有“密集” FSA的通用FSA的组合（即，一种对应于神经网络输出处的符号的对数概率的算法）。这可以用作ASR以及CTC和LF-MMI培训的解码的快速实现。与现有技术相比，这在字错误率方面没有直接优势；但关键是要在更通用，更可扩展的框架中执行此操作，以允许进一步开发ASR技术。 执行 我们实施策略的几个关键点。 大多数代码使用C ++和CUDA。我们实现了一个模板化的类Ragged ，它非