Deep Speaker笔记

结构图及解析

• 输入：每个miniBatch的数据格式为（N, C, H, W），N为batch_size， C为通道数，此处的数目为3，顺序为(fbank二阶倒数)delta2 (fbank一阶倒数)delta1 fbank， H文章中为时间帧数，该参数是可变的，但是在每个miniBatch中是一样的， W为每帧的特征数目，文章中取值为64。
• Deep architecture:
  ResCNN
  
  dim参数的理解请参照图下边的蓝色注释，拿第一层卷积层为例，原输入为H(T，时间帧数)64(特征维度)3(通道数)，第一层卷积层的kenel大小为55，stride为22，则输出的$特征维度=\frac{64+2\ast 2-5}{2}=32$，输出通道数为64，所以$dim=32\ast 64=2048$，每一个CNN后dim=2048。
• Average Sentence：本来数据为三维的，分别代表 时间帧数×每帧特征数×通道数，将时间平均，这样一段语音就对应一段特征了，而不是每一帧都对应一段特征。
• Length Normalization：将特征进行归一化处理，变成均值为0，方差为1，目的是方便后续进行triplet loss中ap和an之间的相似度计算。
• 训练策略：1. 负样本挑选（预训练）: semi-hard-examples: 保持ap不变，挑选an，满足$s_i^{an}+\alpha >s_i^{ap}>s_i^{an}$。

注：hard-examples: 保持ap不变，挑选最高相似度的an作训练

2. softmax+cross entropy(预训练)
3. refine: softmax + triplet loss