红豆生南国 是很遥远的事情

摘要： 目录 在计算机视觉中，Gram矩阵常用于衡量图像的风格特征。给定一个特征图（例如，卷积层的输出），Gram矩阵是该特征图的内积。在TensorFlow中，你可以使用tf.linalg.einsum来计算Gram矩阵。 以下是一个计算Gram矩阵的TensorFlow实现样例： import tens 阅读全文

摘要： 目录1. 向量的数乘2. 向量的内积--也叫做点乘3. 向量的外积--也叫向量积、叉乘、叉积4. 矩阵的数乘5. 矩阵的乘法(matmul product)6. 矩阵的哈达玛积(hadamard product)：两个相乘的矩阵维度一致，逐元素相乘（也叫矩阵点乘，element-wise produ 阅读全文

摘要： 目录 import torch import torch.nn as nn from torch.utils.data import TensorDataset, DataLoader, RandomSampler, SequentialSampler from sklearn.model_sele 阅读全文

摘要： 目录1. GMM HMM参数的学习2. GMM概率计算3. 具体训练流程4. 三音素模型6. 三音素GMM-HMM模型训练7. 串接HMM的Viterbi识别 1. GMM HMM参数的学习 GMM -->声学模型 声学特征与音素的映射关系 HMM -->语言模型 已经直到发音 决绝如何得到正确的文 阅读全文

摘要： 目录1. 假设你是一位技术专家，我不了解机器学习里面的高斯混合模型，你能用通俗的语言解释一下吗？2. 结合上面的回答，语音识别里面，高斯混合模型（Gaussian Mixture Model, GMM）是用来做什么的3. 假设你是一位机器学习算法工程师，想深入的学习高斯混合模型， 如何用python 阅读全文

摘要： 目录1. 语音识别系统的一般架构2. 声学模型3. 单词发音字典4. HMM 模型5. 声学模型自动机6. 高斯混合模型7. HMM的概率计算8 HMM的状态序列估计 1. 语音识别系统的一般架构 acoustic feature声学特征 基于生成模型的方法中，根据贝叶斯定理： P(X|W) 声学模 阅读全文

摘要： 目录1. 位置编码与词嵌入2.余弦距离 1. 位置编码与词嵌入 import torch import torch.nn as nn import math # 定义词向量嵌入的大小 d_model = 512 # 定义位置编码的维度 max_seq_len = 5000 # 定义词向量嵌入层 em 阅读全文

摘要： 目录1. 概述2. 采样率3. 振幅数值的量化-分贝db4. 预处理--预加重5. 分帧6. 加窗7. 离散快速傅里叶变换8. 梅尔滤波器组9 倒谱分析10， 离散余弦变换11 MFCC12 倒谱均值减 1. 概述 语音产业的上一次爆发出现在20世纪80年代到90年代：隐马尔科夫模型的应用，使大规模 阅读全文

摘要： 目录1. 概念2. BiLSTM + CRF 结构3. CRF建模的损失函数4. 全部路径的分数计算--前向算法的动态规划5. CRF的Viterbi解码 参考链接： https://paddlepedia.readthedocs.io/en/latest/tutorials/natural_lan 阅读全文

摘要： 目录1. 训练2. 推理3. 效果 1. 训练 import collections import numpy as np import tensorflow as tf # 数据预处理 # poetry_file = './data/poetry.txt' # 诗集 poetrys = [] wi 阅读全文