本文聚焦于Deep Speaker模型中的ResCNN输入结构，解析其在Keras中的维度设计，包括batchsize、fbank频点、帧数和通道的详细说明。通过与论文作者李超博士的交流，了解到Input的正确维度应为n*f*h*c，并解释了如何处理可变帧数。文章还提及到全卷积网络和average pooling在处理可变维度中的作用。
Deep speaker这篇文章有很多细节没有描述，加上没有官方的源代码，导致要实现很难。
这篇文章主要是写一下ResCNN Input的结构，这个应该是很多人迷惑的地方。
由于一开始没有经验，因此代码是参考github上的开源代码：https://github.com/philipperemy/deep-speaker
因此思路一直被这篇代码的结构给困住了，其实RecCNN的Input和这个开源代码有很大的区别（这是我和论文作者李超博士交流后自己的理解，我觉得还是蛮有把握的）
我的理解，在Keras中，Input的维度应该是 n*f*h*c，其中n是batchsize
最低0.47元/天 解锁文章
1354
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
