Conv1D 是一种专门用于处理一维数据的卷积层。它通过滑动卷积核（滤波器）在输入序列上进行卷积操作，从而提取局部特征。与二维卷积（Conv2D）不同，Conv1D 只在一个维度上进行卷积，适合处理时间序列数据、音频信号和文本数据。

Conv2D 是一种专门用于处理二维数据（如图像、音频频谱）的卷积层。它通过滑动卷积核（滤波器）在输入图像上进行卷积操作，从而提取局部特征。与一维卷积（Conv1D）不同，Conv2D 在两个维度上进行卷积，适合处理图像、音频频谱等数据。

输入层：序列数据，形状为的张量（与RNN、LSTM相同）GRU层核心组件隐藏状态hth_tht​，作为当前时间步的输出，并传递到下一个时间步门控机制：控制信息的流动，包括：重置门：决定如何将过去信息与当前输入结合更新门：决定保留多少旧信息，添加多少新信息可学习参数权重矩阵WzW_zWz​WrW_rWr​WWW（更新门、重置门和候选隐藏状态各有一个权重矩阵），形状均为偏置项bzb_zbz​brb_r

U-Net 是一种用于图像分割的卷积神经网络架构，其设计旨在处理生物医学图像分割任务。U-Net 的网络结构具有对称性，包含编码器和解码器两个主要部分，并通过跳跃连接（skip connections）将两者连接起来。U-Net 网络结构因其对称性而得名，形似英文字母 “U”。整个网络架构由蓝色和白色框表示特征图（feature map），不同颜色的箭头则代表了不同的操作和连接方式。

池化（Pooling）是深度学习中的一种重要操作，主要用于降低特征图的空间维度（高度和宽度），同时保留最重要的特征信息。池化操作通过减少参数数量和计算量来防止过拟合，并提高模型的平移不变性。与卷积层不同，池化层没有可学习的参数，只有超参数如核大小、步长和填充。池化操作通常应用于卷积神经网络（CNN）中，跟在卷积层之后，用于逐步减少空间分辨率，同时增加通道深度。常见的池化类型包括最大池化（Max P

人耳对声音的感知是非线性的，通常对响度变化的感知与实际的物理振幅变化不成正比。该程序实现了音频分析与音量调整功能，能够计算音频文件的总、最大、最小、平均 RMS 和峰值幅度，并根据用户指定的不同类型目标 dBFS 值自动调整音频的音量。最大 RMS 是通过将音频信号分成多个窗口，计算每个窗口的 RMS 值，并返回这些值中的最大值。最小 RMS 与最大 RMS 类似，但它返回的是每个窗口中计算出的最

LUFS（Loudness Units relative to Full Scale）是音频工程中用于测量感知响度的标准单位。它已成为广播、流媒体和音乐制作领域的行业标准，用于确保不同音频内容具有一致的响度水平。LUFS 是 ITU-R BS.1770 标准的核心概念，该标准由国际电信联盟制定，旨在解决所谓的"响度战争"问题 - 即不同节目或歌曲之间响度差异过大的现象。

短时傅里叶变换（STFT）用于将信号转换到频域，揭示信号在不同频率上的能量分布。STFT 频谱能够帮助我们理解信号的频率成分。计算公式Xkm∑n0N−1xn⋅wn−mR⋅e−j2πNknXkmn0∑N−1​xn⋅wn−mR⋅e−jN2π​kn其中，wnw[n]wn是窗函数，RRR是重叠步长，NNN是窗长度。梅尔尺度的设计是为了更好地反映人耳对不同频率的感知。梅尔频率（fmf_mf。

在音频处理领域，音频分离是一个重要的任务，尤其是在语音识别、音乐制作和通信等应用中。音频分离的目标是从混合信号中提取出单独的音频源。通过频谱处理进行音频分离是一种有效的方法，本文将介绍其基本原理、公式以及如何通过降噪作为一个具体的例子来实现音频分离。

Conv2D 是一种专门用于处理二维数据（如图像、音频频谱）的卷积层。它通过滑动卷积核（滤波器）在输入图像上进行卷积操作，从而提取局部特征。与一维卷积（Conv1D）不同，Conv2D 在两个维度上进行卷积，适合处理图像、音频频谱等数据。