kaldi 1d-CNN网络结构

生成nnet.proto

utils/nnet/make_cnn_proto.py

假设输入26维的fbank，feat_raw_dim=26，splice_num=8，delta_order=0：
num_filters1=128
num_filters2=256
pool_size=3
pool_step=3
pool_type=MAX
num_splice=8
patch_step1=1
patch_dim1=8
patch_dim2=4

可以得到输出：

<NnetProto>
<ConvolutionalComponent> <InputDim> 208 <OutputDim> 2432 <PatchDim> 8 <PatchStep> 1 <PatchStride> 26 <BiasMean> -1.000000 <BiasRange> 2.000000 <ParamStddev> 0.020000 <MaxNorm> 30.000000
<MaxPoolingComponent> <InputDim> 2432 <OutputDim> 768 <PoolSize> 3 <PoolStep> 3 <PoolStride> 128 
<Rescale> <InputDim> 768 <OutputDim> 768 <InitParam> 1.000000
<AddShift> <InputDim> 768 <OutputDim> 768 <InitParam> 0.000000
<Sigmoid> <InputDim> 768 <OutputDim> 768 
<ConvolutionalComponent> <InputDim> 768 <OutputDim> 768 <PatchDim> 4 <PatchStep> 1 <PatchStride> 6 <BiasMean> -2.000000 <BiasRange> 4.000000 <ParamStddev> 0.100000 <MaxNorm> 50.000000
<Rescale> <InputDim> 768 <OutputDim> 768 <InitParam> 1.000000
<AddShift> <InputDim> 768 <OutputDim> 768 <InitParam> 0.000000
<Sigmoid> <InputDim> 768 <OutputDim> 768 

conv1

• patch_stride2
  patch_stride2=feat_raw_dim
• 一个滤波器参数：
  filter_dim1=num_splice * patch_dim_=8*8=64
• 所有滤波器参数：
  param1=num_filters1*filter_dim1=8192
• cnn1输入为：
  input1=splice_numfeat_raw_dim=826=208
• cnn1滤波器输出
  num_patch1 = 1 + (feat_raw_dim - o.patch_dim1) / o.patch_step1=19
  output1=num_filters1num_patch1=12819=2432

相当于输入是826的图片，使用88的fiter只在频率维度上面进行step为1的移动，1个filter可以得到191的输出，128个filter可以得到12819的输出

maxpooling

• pool个数
  num_pool = 1 + (num_patch1 - o.pool_size) / o.pool_step=1+(19-3)/3=6
• pool_stride，conv1的filter的个数
  pool_stride=o.num_filters1=128
• output
  o.num_filters1num_pool=1286=768

conv1每个滤波器的输出为19，在19这个维度上面，每3个数取一个最大值，得到6个数
128个滤波器就可以得到128*6的矩阵

conv2

• 输入为maxpooling的输出
  input2=128*6
• step和conv1一致
  patch_step2 = o.patch_step1=1
• stride和pooling的num_pool一致
  patch_stride2 = num_pool=6
• splice为filter1的个数
  num_splice2=input2/patch_stride2=128
• patch
  num_patch2 = 1 + (num_pool - patch_dim2) / patch_step2=1+(6-4)/1=3
• 一个滤波器参数
  filter_dim2=num_splice2 * patch_dim2_=128*4
• 其他跟conv1的计算方法一样

相当于输入是1286的图片，使用1284的filter进行step为1的移动，得到31的输出，256个filter可以得到2563的输出

解析

conv

nnet/nnet-convolutional-component.h

num_splice = input_dim_ / patch_stride_=208/26=8
num_patches = 1 + (patch_stride_ - patch_dim_) / patch_step_=1+(26-8)/1=19
filter_dim = num_splice * patch_dim_=8*8=64
num_filters = output_dim_ / num_patches=2432/19=128

max pooling

nnet-max-pooling-component.h

num_patches = input_dim_ / pool_stride_
num_pools = 1 + (num_patches - pool_size_) / pool_step_

后面的技术分享转移到微信公众号上面更新了，【欢迎扫码关注交流】