最近在尝试把WebRtc的NoiseSuppressor模块移植到嵌入式平台，现在已经移植了，尝试了下效果，降噪效果很显著，噪声带被显著抑制了。

1.关于在开发环境下COM组件的(来自 HRESULT 的异常:0x80080005 (CO_E_SERVER_EXEC_FAILURE))开发环境下，COM组件注册的文件 不一定是你自己现在程序调用的根文件夹下的COM组件程序。注意，COM组件的注册时在注册表中进行的注册，也就是说组件信息是存放在regedit中的，注册该COM组件不一定能够覆盖该原有COM组件，可能需要先注销后注册。比...

前言我们之前用的是均方差作为我们神经网络的损失函数评估值，但是我们对于结果，比如给定你一张应该是0的照片，它识别成了6，这个时候这个均方差表达了什么特别的含义吗？显然你识别成6并不代表它比识别成1的情况误差更大。所以说我们需要一种全新的方式，基于概率的方案来对结果进行规范。也就是我们说的交叉熵损失函数。至于什么是交叉熵损失函数，由于本文不涉及实际的数学论证，感兴趣可以看这个简单的小视频：你...

首先我们来转换一下exp函数表达式，令其更趋向于我们所需要的表达法。我们需要求的式为exp(x)=exsexp(x)=e^xsexp(x)=exs我们观察此式exe^xex则有eln⁡(ax)=axe^{\ln(a^x)}=a^xeln(ax)=ax这里令a=2,则有eln⁡(2)∗b=2be^{\ln(2)*b}=2^beln(2)∗b=2b令x=ln⁡(2)∗bx=\ln(2)*bx=ln(2

这不是高支模项目需要嘛，他们用传统算法切那个横杆竖杆流程复杂耗时很长，所以想能不能用机器学习完成这些工作，所以我就来整这个工作了。工欲善其事，必先利其器，在正式开始之前，我们先要搞懂如何切分数据集。本系列文章所用的核心骨干网络代码主要来自原文的代码有点问题，这里做了一点修改，主要应用了paddlepaddle进行的pointNet进行分割任务。

前言我们之前用的是均方差作为我们神经网络的损失函数评估值，但是我们对于结果，比如给定你一张应该是0的照片，它识别成了6，这个时候这个均方差表达了什么特别的含义吗？显然你识别成6并不代表它比识别成1的情况误差更大。所以说我们需要一种全新的方式，基于概率的方案来对结果进行规范。也就是我们说的交叉熵损失函数。至于什么是交叉熵损失函数，由于本文不涉及实际的数学论证，感兴趣可以看这个简单的小视频：你...