写文章
- @overload_
简介
该用户还未填写简介
擅长的技术栈
未填写擅长的技术栈
可提供的服务
暂无可提供的服务
Batch Normalization——李宏毅机器学习笔记
batch normalization
语音识别研究综述——阅读笔记1
摘要：语音识别使声音变得“可读”， 让计算机能够“听懂”人类的语言并做出反应， 是人工智能实现人机交互的关键技术之一。本文介绍了语音识别的发展历程， 阐述了语音识别的原理概念与基础框架，分析了语音识别领域的研究热点和难点， 最后，对语音识别技术进行了总结并就其未来研究进行了展望。.....................
语音识别研究综述——阅读笔记3（端到端语音识别、语音识别的难度与热点）
端到端语音识别语音识别的难度与热点
【动手学习深度学习】数据预处理
练习使⽤pandas预处理原始数据，并将原始数据转换为张量格式。
训练seq2seq模型的一些Tips——李宏毅机器学习笔记
seq2seq训练时候的小tips
RNN Transducer(RNN-T)——李宏毅人类语言处理学习笔记
RNN-ARNN-T
语音识别研究综述——阅读笔记2
语音识别概念语音识别基本原理声学模型 语言模型
语音识别研究综述——阅读笔记4（总结与展望）
语音识别研究综述 （总结与展望）
基于瓶颈特征的藏语拉萨话连续语音识别研究——阅读笔记
基于从深度神经网络提取的 瓶颈特征 具有语音长时相关性和紧凑表示的特点，将瓶颈特征及其与MFCC的复合特征用于藏语连续语音识别任务中，可以代替传统的MFCC特征进行GMM-HMM声学建模。在藏语拉萨话连续语音识别任务中的实验表明，瓶颈特征的复合特征取得比深度神经网络 后验特征 和单瓶颈特征更好的识别表现。......
基于循环神经网络的藏语语音识别声学模型——阅读笔记
探索将循环神经网络和连接时序分类算法应用于藏语语音识别声学建模，实现端到端的模型训练。同时根据声学建模输入与输出的关系，通过在隐含层输出序列上引入时域卷积操作来对网络隐含层时域展开步数进行约简，从而有效提升模型的训练与解码效率。实验结果显示，与传统基于隐马尔可夫模型的声学建模方法相比，循环神经网络模型在藏语拉萨话音素识别任务上具有更好的识别性能，而引入时域卷积操作的循环神经网络声学模型在保持同等识
到底了