百度端到端说话人识别系统 Deep Speaker 详细介绍

前言：百度端到端说话人识别系统 Deep Speaker : an End-to-End Neural Speaker Embedding System，论文学习整理一下

0、补充知识

神经网络：

假设L层的输出为a[L]，则L+1层得到的为 a[L]的线性变换 + 激活

• 线性变换：z[L+1] = w[L+1] * a[L] + b[L+1]
• 激活：a[L+1] = g( z[L+1] )

卷积层：

二维卷积核和三维卷积核：二位卷积核针对输入也是二维，二维卷积核可以想象成一个正方形，参数（高，宽）；三维卷积核则针对三维输入（高，宽，通道数），可以想象成一个长方体，参数中多了一个 “通道数”，一般卷积核的通道数与输入数据的通道数是一样的，所以维度上的变化在于卷积核的个数。
卷积核参数：三维卷积核 一般设置4个参数，（高，宽，输入通道数，卷积核个数），其中卷积核个数也就是输出时的第三维-输出通道数。
维度变化：输入三维数据（高, 宽, 通道数c），卷积核（尺寸x * y * c，步长）。其中卷积核尺寸和步长会改变输入的高和宽的维度；而卷积核的个数带来的是第三维的变化。输入数据的通道数，只会影响卷积核的通道数，而输出的第三维只与卷积核个数有关。
全连接层：

1、Deep Speaker 介绍

Deep Speaker 是一个系统，所以包含的是一个说话人识别的流程。
包括： 语音前端处理 + 特征提取网络（模型） + 损失函数训练（策略） + 预训练