TDNN方法学习

 TDNN方法简介

• TDNN（Time Delay Neural Network，时延神经网络）是用于处理序列数据的，比如：一段语音、一段文本
• 将TDNN和统计池化（Statistics Pooling）结合起来，正如x-vector的网络结构，可以处理任意长度的序列

x-vector的网络结构

x-vector是用于文本无关的说话人识别的，因此需要处理任意长度的序列，其网络结构如下图所示：

输入：每个特征图表示一帧，特征图的通道数为24，表示一帧的特征数（原文是24维fbank特征），特征图的分辨率是1，在这里需要明确：语音是1维数据，因此特征图并不是二维图，而是一个值，24个特征图堆叠起来构成24维fbank特征。

• frame1
  • frame1的特征图经过1维卷积得到，卷积核大小inchannels × kernelsize × outchannels = 24 × 5 × 512
  • frame1的每个特征图下面连接的5条线，表示卷积核。这5条线不是5根细线，而是5根麻花线，每根麻花线由inchannels = 24根细线组成，每根细线连接一个特征。每根细线的权重都是一样的，每根麻花线的权重不一样。
  • kernelsize=5，对应闭区间[ t − 2 , t + 2 ]一共5帧的上下文，也可以表示为{ t − 2 , t − 1 , t , t + 1 , t + 2 } ，之所以表格说frame1的输入是120，是因为将5帧上下文的特征都计算进去了5 × 24 = 120。
  • outchannels=512，表示卷积核的厚度是512，可以理解为5根麻花线堆叠了512次，每次堆叠都得到新的5根麻花线，都符合“每根细线的权重都是一样的，每根麻花线的权重不一样”。5根麻花线同时运算，得到一个值，从而frame1的每个特征图其实也是一个值，且通道数为512，对应表格中的frame1的输出是512。
• frame 2
  • frame2的特征图经过1维膨胀卷积得到，卷积核大小inchannels×kernelsize×outchannels=512×3×512
  • 不要被膨胀卷积吓到了，膨胀卷积的kernelsize=3，表示3根麻花线中，第2根麻花线连接第t帧，第1根麻花线连接第t-2帧，第3根麻花线连接第t+2帧，对应表格中的{ t − 2 , t , t + 2 } 共3帧的上下文，这就是膨胀卷积和标准卷积的不同之处，隔帧连接
  • 在PyTorch中，1维卷积的api为

torch.nn.Conv1d(inchannels,outchannels,kernelsize,stride=1,padding=0,dilation=1,groups=1,bias=True,paddingmode=′zeros′,device=None,dtype=None)

其中，dilation=1表示标准卷积，frame2的膨胀卷积需要设置dilation=2

• frame3、frame4没有引进新的运算。frame3需要设置dilation=3，而frame4的卷积核大小inchannels×kernelsize×outchannels=512×1×512，因为kernelsize=1，所以与MLP（dense layer）没有本质区别，卷积核通过在每一帧上移动，实现全连接，因此可以看到有些代码实现用kernelsize=1的卷积替代全连接。
• 从frame1到frame5，每次卷积的步长stride都等于1，从而对每一帧都有对应的输出，也就是说，对于任意长度的帧序列，frame5的输出也是一个同等长度的序列，长度记为T，而由于frame5的outchannels=1500，所以表格中统计池化的输入是1500 × T
• 统计池化的原理颇为简单，本质是在序列长度T这一维度求均值和标准差，然后将均值和标准差串联（concatenate）起来，所以池化后，序列长度T这一维度消失了，得到了1500个均值和1500个标准差，串联起来就是长度为3000的向量
• segment6、segment7和Softmax都是标准的MLP，不再赘述
• 最后segment6输出的512长度的向量，被称为x-vector，用于训练一个PLDA模型，进行说话人识别，可以计算一下，提取x-vector所需的参数（参数量并不能代表计算量，因为输入网络的是任意长度的帧序列）
•