标签：loss GRU End 训练 Neural 模型 score Speaker ResCNN
实现流程：
Front Processing:
语音输入被转换为64维fbank，并且含有零均值与单位方差。
DNN：有两种DNN：
* ResCNN
* GRU
ResCNN:
GRU:
Average Sentence:
将帧级输入聚合为整段语音的输入
Affine:将其转换成512维的embedding。
计算相似度：
最后用triplet loss为目标进行训练
实验
使用softmax和交叉熵损失来预训练整个模型，即用一个classification layer来代替length normalization和triplet loss层。
可见与训练提高了模型准确率
可见实验结果很好，且ResCNN效果好于GRU。
将两种网络的score相加，可以看到表现得到了提升，其中score fusion表示把两个模型输出的cos score相加。
在文本无关的说话人验证任务上，训练数据集越大，模型的训练越充分，效果越好
deep speaker具有比较好的跨语言能力
标签：loss,GRU,End,训练,Neural,模型,score,Speaker,ResCNN 来源： https://blog.csdn.net/qq_41048571/article/details/119298939
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。