conv-tasnet网络结构+mobilenet网络结构+VQ-VAE-2模型

conv-tasnet网络结构

encoder:
输入波形，通过一个一维卷积，提取特征，得到一个特征矩阵。

 # input encoder
 self.encoder = nn.Conv1d(1, 512, 256, bias=False, stride=16)
 #输入信号通道为1，帧长256，帧移16
 #1*3200->1*512*185[(3200-256)/16+1=185]

separation：
由卷积的一维扩张卷积块组成的时间卷积网络（TCN）估计每个spk的mask，使网络可以对语音信号的长期依赖性进行建模。经过4个repeat，d=8，增加感受野。
这里用TCN， 和传统卷积不同的是，膨胀卷积允许卷积时的输入存在间隔采样，采样率受图中的d控制。 最下面一层的d=1，表示输入时每个点都采样，中间层d=2，表示输入时每2个点采样一个作为输入。一般来讲，越高的层级使用的d的大小越大。所以，膨胀卷积使得有效窗口的大小随着层数呈指数型增长。这样卷积网络用比较少的层，就可以获得很大的感受野。
后面再用卷积先扩大通道数，对不同说话人进行不同通道的区分，然后就可以分离为不同说话人个数的mask。
例如：
1512185->11024185,再把11024185分离为12512*185