1. 引入在传统监督学习中，我们经常需要大量带标签的数据进行训练，并且需要保证训练集和测试集中的数据分布相似。如果训练集和测试集的数据具有不同的分布，训练后的分类器在测试集上就没有好的表现。这种情况下该怎么办呢？域适应（Domain Adaption），也可称为域对抗（Domain Adversarial），是迁移学习中一个重要的分支，用以消除不同域之间的特征分布差异。其目的是把具有不同分布的源域

1. 本地clone GitHub上的Repository： git clone https://github.com/janie1996/项目进入项目：cd 项目创建新分支： git branch newBranchName切换到新分支： git checkout newBranchName（并非空白，查看文件）查看分支下文件：dir删除原来的文件：git rm -...

1. RNN针对语音、视频等序列数据，我们需要进行全局时序信息考虑，因此RNN模型是最初最基础的模型结构。主要可以分析的任务：语音识别、语音合成、视频摘要生成、音视频情感预测等。存在问题：输出的序列长度与输入序列长度保持一致，不能任意变化。2. Seq2Seq (即 Encoder + Decoder 结构)seq2seq，由Encoder和Decoder两个部分组成，每部分都是一个RNNCell

​2021.9.13和外导确认好，准备11月去NTU2021.9.14SCSE 老师发来邮件，准备STP申请第一步学校需要的材料学校同意文件CSC资助文件在读证明​

​2021.9.13和外导确认好，准备11月去NTU2021.9.14SCSE 老师发来邮件，准备STP申请第一步学校需要的材料学校同意文件CSC资助文件在读证明​

1. 时域 & 频域时域：自变量是时间，即横轴是时间，纵轴是信号的变化（振幅）。如下图中红色曲线， 描述信号随时间变化情况 （二维空间： Time-Amplitude）频域：自变量是频率，即横轴是频率，纵轴是该频率信号的幅度（振幅）。声音信号在频域表现为多个不同频率、振幅信号组成。（给定频率和振幅，可以得到该信号表示，下图中一条蓝色曲线，周期信号）2. 时域图（波形图） & 频谱图