參考 "On Adjusting the Learning Rate in Frequency Domain Echo Cancellation With Double-Ta...
發(fā)簡信
IP屬地：安徽
-
回聲消除 Speex AEC 論文和代碼解析 -
語音增強 PercepNet 降噪模型 的解析與實現(xiàn)參考 《A Hybrid DSP/Deep Learning Approach to Real-Time Full-Band Speech Enhancement》 《A P...
-
我的 “基2-快速傅立葉變換” 的樸素實現(xiàn)（推導部分）本篇目的： 1）回顧一下 基2-快速傅立葉變換（radix2-FFT） 的理論推導； 2）以C++語言用最直白的方式實現(xiàn) 基2-快速傅立葉變換[https://www.jia...
-
我的 “基2-快速傅立葉變換” 的樸素實現(xiàn)（代碼部分）
作為學習過程，我們盡量少用 庫函數(shù)惠豺。由于我們需要進行復數(shù)乘法、加法運算努隙，下面先粗糙地定義一下復數(shù)運算： 我們考慮使用靜態(tài)大小的 FFT 樣本點數(shù) N，也就是在編譯期辜昵，我們已經(jīng)...
-
Flow系列論文小注：NICE, Real NVP, Glow
小注包括： 1）以個人視角荸镊，分析了作者提出的新框架的動機，做一些討論； 2）給出了一些關(guān)鍵公式的簡單證明或說明躬存； 記號約定： 1）向量用小寫粗體字母表示张惹；2）矩陣用大寫字母表...
-
聯(lián)接主義時序分類CTC的細致推導（一）參考：Alex Graves,Connectionist Temporal Classification: Labelling Unsegmented Sequence Da...
-
聯(lián)接主義時序分類CTC的細致推導（二）參考：Alex Graves,Connectionist Temporal Classification: Labelling Unsegmented Sequence Da...
-
Transformer隨感之位置編碼位置編碼 很多網(wǎng)友在討論transfromer的self-attention模塊中位置編碼缺失問題時，一般會優(yōu)先拋出CNN和RNN是位置敏感的這一論述岭洲，不過一般很少細...
-
WFST中的代數(shù)半環(huán)概覽 包括：半環(huán)定義宛逗、例行證明、完備半環(huán)定義和解釋盾剩；先把這幾個半環(huán)擺出來吧： 為什么WFST要基于半環(huán)構(gòu)建呢雷激？我的理解是：一方面環(huán)這樣的代數(shù)結(jié)構(gòu)是比我們熟知的域（）更...
-
word2vec詞向量表示隨感
讀后感：Tomas Mikolov, “Efficient Estimation of Word Representations in Vector Space” 本文包括討...
-
變分自編碼器VAE細致推導（二）
最后，人們在實際中使用發(fā)現(xiàn)告私，VAE會生成一些模糊的圖像侥锦，這些模糊性可能是一部分因為我們使用的度量是KL-散度造成的〉抡酰回想在KL-散度[https://www.jianshu....
-
變分自編碼器VAE細致推導（一）參考：1.CARLDOERSCH,Tutorial on Variational Autoencoders 2. Ian Goodfellow,《深度學習》 概述...
-
輕松點的離散傅立葉變換
概述 一般來說，標準的介紹傅立葉變換會從“連續(xù)“的”周期“的信號的傅里葉級數(shù)開始快毛，完了再推廣到連續(xù)無周期信號的傅里葉變換格嗅，或是還要介紹離散時間傅立葉變換（DTFT）。但實際中...
-
RNN的后向傳播細致推導
這里參考的是Ian Goodfellow等的《深度學習》上關(guān)于RNN的求導部分唠帝，具體RNN展開圖可以參考書中的屯掖；這里將具體求解過程補充上。 記號約定： 1. 向量都用列向量表...
-
LSTM后向傳播細致推導
概述 有了前面的簡單RNN后向傳播推導[http://www.reibang.com/p/051ff09f86a6]的鋪墊襟衰，我們在來推導LSTM的后向傳播就有比較明確的思路...