Chain TDNN/LSTM的拼帧索引、延时
TDNN模型示例
TDNN拼帧:
层:(0,3)
层:(-9,0)
层:(0,3)
层:(-6,0)
层:(0,3)
层:(-3,0)
层:(0,3)
层:(-3,0)
输出依赖
帧,各层需要的帧的时间索引如下:
层:1,4
层:-9,-6,1,4
层:-9,-6,1,4,7
层:-15,-12,-9,-6,-3,1,4,7
层:-15,-12,-9,-6,-3,1,4,7,10
层:-18,-15,-12,-9,-6,-3,1,4,7,10
层:-18,-15,-12,-9,-6,-3,1,4,7,10,13
层:-21,-18,-15,-12,-9,-6,-3,1,4,7,10,13
帧,各层需要的帧的时间索引如下:
层:2,5
...
层:-20,-17,-14,-11,-8,-5,-2,2,5,8,11,14
帧,各层需要的帧的时间索引如下:
层:3,6
...
层:-19,-16,-13,-10,-7,-4,-1,3,6,9,11,15
帧,各层需要的帧的时间索引如下:
层:4,7
...
层:-18,-15,-12,-9,-6,-3,1,4,7,10,13,16
TDNN的拼帧索引
第一层不需要受到此限制
层:(0,3)
层:(-9,0)
层:(0,3)
层:(-6,0)
层:(0,3)
层:(-3,0)
层:(0,3)
层:(-3,0)
层:(-2,-1,0,1,2)
LSTM的延时
与TDNN类似,单向LSTM依赖于历史信息,双向LSTM(BLSTM)依赖于历史信息与未来信息
信息包括
记忆(Cell)与输出(Recurrent)
默认情况下,对于长度为T帧的语句,在t时刻:
LSTM依赖于
t时刻上一层的输出
BLSTM依赖于
t时刻上一层的输出
那么,在t-1时刻:
LSTM依赖于
t-1时刻上一层的输出
BLSTM依赖于
t-1时刻上一层的输出
依此类推:
LSTM将依赖于所有的历史信息
BLSTM将依赖于所有的信息(历史信息+未来信息)
也就是说,所有帧(T帧)都需要进行LSTM计算
最新文章
- leveldb 性能、使用场景评估
- vs代码段快捷键设置
- Java读取word文档,转换为网页
- linux下跳板机跟客户端之间无密码登陆
- [SQL]开启事物,当两条插入语句有出现错误的时候,没有错误的就插入到表中,错误的语句不影响到正确的插入语句
- [Hibernate 1]Hibernate的环境搭建
- Eclipse提示Tomcat miss丢失bug:The Tomcat server configuration at \Servers\Tomcat v5.5 Server at localhost-config is missing.
- linux服务器上
- Creating custom datatypes using the umbraco usercontrol wrapper
- JavaScript--时间显示小插件
- c++ string类型转换为char *类型
- css网页自适应-1
- 文章3说话 微信商城云server创建后台
- 白话ASP.NET MVC之三:Controller是如何解析出来的
- POJ 2516 Minimum Cost (费用流)
- python_正则表达式随笔
- TCP连接有效性检测方法
- 使用Glue4Net部署.NET应用
- Python学习之路基础篇--08Python基础+ 文件的基本操作和 注册小作业
- 异步操作之 Promise 和 Async await 用法进阶