algorithm learning blog

对比学习损失篇，从L-softmax到AM-softmax到circle-loss到PCCL

SimCSE构造正负样本对与损失

Beam Search与Prefix Beam Search的理解与python实现

深入浅出CTC loss

参考文章https://www.zhihu.com/question/20136144  我们以上图为例讲解从阶段1到阶段3的最短路径。首先如果按照贪婪算法，我们一共需要计算3×3×3=273\times3\times3=273×3×3=27次，而使用Viterbi动态规划算法，我们只需要计算3×3×2=183\times3\times2=183×3×2=18次  Viterbi的最主要核心点为计算并仅保留到达当前节点的最短路径，只要理解这个理论，维特比动态规划算法就一点都不难了。以A2A_2A2​为例

MFCC(Mel倒谱系数)符合人类听觉原理，能够有效的提取语音声学特征，适合作为语音特征输入。本文学习了以下2篇博客——博客1 博客2，并做了自己的总结MFCC的提取流程如下图所示：令输入语音信号signal=[s1,s2,...,sT]signal=[s_1,s_2,...,s_T]signal=[s1​,s2​,...,sT​]，其中T为信号采样频率。预加重可以去除口唇辐射的影响，增加语音的高频分辨率，其实现方式如下：signali=signali+1−αsignalisignal_i=signa