用于神经音频数据处理的子谱归一化的制作方法

用于神经音频数据处理的子谱归一化
1.相关申请的交叉引用
2.本技术要求于2021年10月20日提交的题为“sub-spectral normalization for neural audio data processing(用于神经音频数据处理的子谱归一化)”的美国专利申请no.17/506,664的优先权，其要求于2020年10月21日提交的题为“sub-spectral normalization for neural audio data processing(用于神经音频数据处理的子谱归一化)”的美国临时专利申请no.63/094,751的权益，这些申请的公开内容通过援引整体明确纳入于此。
3.公开领域
4.本公开的各方面一般涉及用于神经音频数据处理的子谱归一化。
5.背景
6.人工神经网络可以包括诸群互连的人工神经元(例如，神经元模型)。人工神经网络可以是计算设备或表示为要由计算设备执行的方法。卷积神经网络是一种前馈人工神经网络。卷积神经网络可包括神经元集合，其中每个神经元具有感受野并且共同地拼出一输入空间。卷积神经网络(cnn)(诸如深度卷积神经网络(dcn))具有众多应用。具体而言，这些神经网络架构被用于各种技术，诸如图像识别、语音识别、声学场景分类、关键字检测、自动驾驶和其他分类任务。
7.许多最新近的深度神经网络基于用于音频数据处理的二维(2d)卷积。在图像处理中，可以通过对输入(例如，原始图像)的所有空间维度(例如，高度、宽度)应用二维卷积来获得特征。然而，在音频数据处理中，频域输入(诸如梅尔语谱图)在频率维度上具有不同的和唯一的特性。因此，将2d卷积同等地应用于频率和时间维度可能不会提取用于音频场景分类的良好特征，并且可能导致较差的性能。
8.概述
9.在本公开的一方面，提供了一种计算机实现的方法。该方法包括接收音频输入。该方法还包括沿着该音频输入的频率维度将该音频输入分离成一个或多个子群。附加地，该方法包括对每个子群执行归一化。针对第一子群的归一化独立于针对第二子群的归一化而执行。此外，该方法包括基于经归一化的子群来生成输出。
10.在本公开的另一方面，提供了一种装置。该装置包括存储器以及耦合到该存储器的一个或多个处理器。(诸)处理器被配置成接收音频输入。(诸)处理器还被配置成沿着该音频输入的频率维度将该音频输入分离成一个或多个子群。另外，(诸)处理器被配置成对每个子群执行归一化。针对第一子群的归一化独立于针对第二子群的归一化而执行。此外，(诸)处理器被配置成基于经归一化的子群来生成输出。
11.在本公开的另一方面，提供了一种设备。该设备包括用于接收音频输入的装置。该设备还包括用于沿着该音频输入的频率维度将该音频输入分离成一个或多个子群的装置。附加地，该设备包括用于对每个子群执行归一化的装置。针对第一子群的归一化独立于针对第二子群的归一化而执行。此外，该设备包括用于基于经归一化的子群来生成输出的装置。
12.在本公开的进一步方面，提供了一种非瞬态计算机可读介质。该计算机可读介质上编码有程序代码。该程序代码由处理器执行，并且包括用于接收音频输入的代码。该程序代码还包括用于沿着该音频输入的频率维度将该音频输入分离成一个或多个子群的代码。附加地，该程序代码包括用于对每个子群执行归一化的代码。针对第一子群的归一化独立于针对第二子群的归一化而执行。此外，该程序代码包括用于基于经归一化的子群来生成输出的代码。
13.本公开的附加特征和优点将在下文描述。本领域技术人员应当领会，本公开可容易地被用作修改或设计用于实施与本公开相同的目的的其他结构的基础。本领域技术人员还应认识到，这样的等效构造并不脱离所附权利要求中所阐述的本公开的教导。被认为是本公开的特性的新颖特征在其组织和操作方法两方面连同进一步的目的和优点在结合附图来考虑以下描述时将被更好地理解。然而，要清楚理解的是，提供每一幅附图均仅用于解说和描述目的，且无意作为对本公开的限定的定义。
14.附图简述
15.在结合附图理解下面阐述的详细描述时，本公开的特征、本质和优点将变得更加明显，在附图中，相同附图标记始终作相应标识。
16.图1解说了根据本公开的某些方面的使用片上系统(soc)(包括通用处理器)的神经网络的示例实现。
17.图2a、2b和2c是解说根据本公开的各方面的神经网络的示图。
18.图2d是解说根据本公开的各方面的示例性深度卷积网络(dcn)的示图。
19.图3是解说根据本公开的各方面的示例性深度卷积网络(dcn)的框图。
20.图4是解说子谱归一化(ssn)与其他经归一化输入的比较的框图。
21.图5是解说根据本公开的各方面的子谱归一化(ssn)到卷积神经网络的示例应用的框图。
22.图6是解说根据本公开的各方面的用于操作神经网络的示例方法的流程图。
23.详细描述
24.以下结合附图阐述的详细描述旨在作为各种配置的描述，而无意表示可实践本文中所描述的概念的仅有配置。本详细描述包括具体细节以便提供对各种概念的透彻理解。然而，对于本领域技术人员将显而易见的是，没有这些具体细节也可实践这些概念。在一些实例中，以框图形式示出众所周知的结构和组件以避免湮没此类概念。
25.基于本教导，本领域技术人员应领会，本公开的范围旨在覆盖本公开的任何方面，不论其是与本公开的任何其他方面相独立地还是组合地实现的。例如，可使用所阐述的任何数目的方面来实现装置或实践方法。另外，本公开的范围旨在覆盖使用作为所阐述的本公开的各个方面的补充或者与之不同的其他结构、功能性、或者结构及功能性来实践的此类装置或方法。应当理解，所披露的本公开的任何方面可由权利要求的一个或多个元素来实施。
26.措辞“示例性”在本文中用于表示“用作示例、实例、或解说”。本文中描述为“示例性”的任何方面不必被解释为优于或胜过其他方面。
27.尽管本文描述了特定方面，但这些方面的众多变体和置换落在本公开的范围之内。虽然提到了优选方面的一些益处和优点，但本公开的范围并非旨在被限定于特定益处、
用途或目标。相反，本公开的各方面旨在能宽泛地应用于不同的技术、系统配置、网络和协议，其中一些作为示例在附图以及以下对优选方面的描述中解说。详细描述和附图仅仅解说本公开而非限定本公开，本公开的范围由所附权利要求及其等效技术方案来定义。
28.卷积神经网络(cnn)广泛用于各种机器学习领域。在图像处理中，可以通过对输入的所有空间维度应用二维(2d)卷积来获得特征。然而，在音频情形中，频域输入(例如，梅尔语谱图)在频率维度上具有不同的和唯一的特性。如果2d卷积层被应用于所有空间维度，则这些特性可能会变得模糊。即，将2d卷积等同地应用于频率和时间维度可能不会提取用于音频场景分类的一些特征。
29.本公开的各方面涉及子谱归一化。在子谱归一化(ssn)中，输入频率维度被拆分成若干群(或子带)。对每个群执行不同的归一化。仿射变换也可被应用于每个群。在这样做时，可以移除频率间偏转，从而为网络提供频率感知特性。
30.输入频率维度被拆分成若干群(或子带)，并且对每个群执行不同的归一化。随后，常规的2d卷积可被应用于经归一化的频谱特征。
31.在一些方面，ssn层可具有仿射变换。用于应用仿射变换的三种办法是：1)在整个频率上应用仿射变换，2)在每个群上应用仿射变换，以及3)抑制应用仿射变换。
32.通过应用ssn，可以大大提高网络处理音频的性能。此外，例如，通过代替批归一化应用ssn而不执行附加的计算。
33.本公开的各方面可以通过以下操作来有利地提高处理效率和准确性：沿着输入的频率维度将该输入分离成一个或多个子群，对每个子群执行与针对其他子群的归一化不同的归一化，以及基于经归一化的子群来生成输出。因此，本公开的各方面可以应用于关键字检测、声学场景分类和语音识别领域。
34.图1解说了片上系统(soc)100的示例实现，其可包括被配置成用于基于多头注意力模型来正则化神经网络(例如，神经端到端网络)的中央处理单元(cpu)102或多核cpu。变量(例如，神经信号和突触权重)、与计算设备(例如，带有权重的神经网络)相关联的系统参数、延迟、频率槽信息、以及任务信息可被存储在与神经处理单元(npu)108相关联的存储器块、与cpu 102相关联的存储器块、与图形处理单元(gpu)104相关联的存储器块、与数字信号处理器(dsp)106相关联的存储器块、存储器块118中，或可跨多个块分布。在cpu 102处执行的指令可从与cpu 102相关联的程序存储器加载或者可从存储器块118加载。
35.soc 100还可包括为具体功能定制的附加处理块，诸如gpu 104、dsp 106、连通性块110(其可包括第五代(5g)连通性、第四代长期演进(4g lte)连通性、wi-fi连通性、usb连通性、蓝牙连通性等)以及例如可检测和识别姿势的多媒体处理器112。在一种实现中，npu 108实现在cpu 102、dsp 106、和/或gpu 104中。soc 100还可包括传感器处理器114、图像信号处理器(isp)116、和/或导航模块120(其可包括全球定位系统)。
36.soc 100可基于arm指令集。在本公开的一方面，加载到通用处理器102中的指令可包括用于接收音频输入的代码。通用处理器102还可包括用于沿着该音频输入的频率维度将该音频输入分离成一个或多个子群的代码。通用处理器102还可包括用于对每个子群执行归一化的代码。针对一个或多个子群的归一化不同于针对其他子群的归一化。此外，通用处理器102可进一步包括用于基于经归一化的子群来生成输出的代码。
37.深度学习架构可通过学习在每一层中以逐次更高的抽象程度来表示输入、藉此构
建输入数据的有用特征表示来执行对象识别任务。以此方式，深度学习解决了传统机器学习的主要瓶颈。在深度学习出现之前，用于对象识别问题的机器学习办法可能严重依赖人类工程设计的特征，或许与浅分类器相结合。浅分类器可以是两类线性分类器，例如，其中可将特征向量分量的加权和与阈值作比较以预测输入属于哪一类。人类工程设计的特征可以是由拥有领域专业知识的工程师针对具体问题领域定制的模版或内核。相反，深度学习架构可学习以表示与人类工程师可能会设计的相似的特征，但它是通过训练来学习的。此外，深度网络可以学习以表示和识别人类可能还没有考虑过的新类型的特征。
38.深度学习架构可以学习特征阶层。例如，如果向第一层呈递视觉数据，则第一层可学习以识别输入流中的相对简单的特征(诸如边)。在另一示例中，如果向第一层呈递听觉数据，则第一层可学习以识别特定频率中的频谱功率。取第一层的输出作为输入的第二层可以学习以识别特征组合，诸如对于视觉数据识别简单形状或对于听觉数据识别声音组合。例如，更高层可学习以表示视觉数据中的复杂形状或听觉数据中的词语。再高层可学习以识别常见视觉对象或口述短语。
39.深度学习架构在被应用于具有自然阶层结构的问题时可能表现特别好。例如，机动交通工具的分类可受益于首先学习以识别轮子、挡风玻璃、以及其他特征。这些特征可在更高层以不同方式被组合以识别轿车、卡车和飞机。
40.神经网络可被设计成具有各种连通性模式。在前馈网络中，信息从较低层被传递到较高层，其中给定层中的每个神经元向更高层中的神经元进行传达。如上所述，可在前馈网络的相继层中构建阶层式表示。神经网络还可具有回流或反馈(也被称为自顶向下(top-down))连接。在回流连接中，来自给定层中的神经元的输出可被传达给相同层中的另一神经元。回流架构可有助于识别跨越不止一个按顺序递送给该神经网络的输入数据组块的模式。从给定层中的神经元到较低层中的神经元的连接被称为反馈(或自顶向下)连接。当高层级概念的识别可辅助辨别输入的特定低层级特征时，具有许多反馈连接的网络可能是有助益的。
41.神经网络的各层之间的连接可以是全连通的或局部连通的。图2a解说了全连通神经网络202的示例。在全连通神经网络202中，第一层中的神经元可将它的输出传达给第二层中的每个神经元，从而第二层中的每个神经元将从第一层中的每个神经元接收输入。图2b解说了局部连通神经网络204的示例。在局部连通神经网络204中，第一层中的神经元可连接到第二层中有限数目的神经元。更一般化地，局部连通神经网络204的局部连通层可被配置成使得一层中的每个神经元将具有相同或相似的连通性模式，但其连接强度可具有不同的值(例如，210、212、214和216)。局部连通的连通性模式可能在更高层中产生空间上相异的感受野，这是由于给定区域中的更高层神经元可接收到通过训练被调谐为到网络的总输入的受限部分的性质的输入。
42.局部连通神经网络的一个示例是卷积神经网络。图2c解说了卷积神经网络206的示例。卷积神经网络206可被配置成使得与针对第二层中每个神经元的输入相关联的连接强度被共享(例如，208)。卷积神经网络可能非常适合于其中输入的空间位置有意义的问题。
43.一种类型的卷积神经网络是深度卷积网络(dcn)。图2d解说了被设计成从自图像捕捉设备230(诸如车载相机)输入的图像226识别视觉特征的dcn 200的详细示例。可对当
前示例的dcn 200进行训练以标识交通标志以及在交通标志上提供的数字。当然，dcn 200可被训练用于其他任务，诸如标识车道标记或标识交通信号灯。
44.可以用受监督式学习来训练dcn 200。在训练期间，可向dcn 200呈递图像(诸如限速标志的图像226)，并且随后可计算“前向传递(forward pass)”以产生输出222。dcn 200可包括特征提取区段和分类区段。在接收到图像226之际，卷积层232可向图像226应用卷积核(未示出)，以生成第一组特征图218。作为示例，卷积层232的卷积核可以是生成28x28特征图的5x5内核。在本示例中，由于在第一组特征图218中生成四个不同的特征图，因此在卷积层232处四个不同的卷积核被应用于图像226。卷积核还可被称为过滤器或卷积过滤器。
45.第一组特征图218可由最大池化层(未示出)进行子采样以生成第二组特征图220。最大池化层减小了第一组特征图218的大小。即，第二组特征图220的大小(诸如14x14)小于第一组特征图218的大小(诸如28x28)。减小的大小向后续层提供类似的信息，同时降低存储器消耗。第二组特征图220可经由一个或多个后续卷积层(未示出)被进一步卷积，以生成后续的一组或多组特征图(未示出)。
46.在图2d的示例中，第二组特征图220被卷积以生成第一特征向量224。此外，第一特征向量224被进一步卷积以生成第二特征向量228。第二特征向量228的每个特征可包括与图像226的可能特征(诸如，“标志”、“60”和“100)相对应的数字。”softmax(软最大化)函数(未示出)可将第二特征向量228中的数字转换为概率。如此，dcn 200的输出222是图像226包括一个或多个特征的概率。
47.在本示例中，输出222中关于“标志”和“60”的概率高于输出222的其他特征(诸如“30”、“40”、“50”、“70”、“80”、“90”和“100”)的概率。在训练之前，由dcn 200产生的输出222很可能是不正确的。由此，可计算输出222与目标输出之间的误差。目标输出是图像226的真值(例如，“标志”和“60)。”dcn 200的权重可随后被调整以使得dcn 200的输出222与目标输出更紧密地对齐。
48.为了调整权重，学习算法可为权重计算梯度向量。梯度可指示在权重被调整情况下误差将增加或减少的量。在顶层，梯度可直接对应于连接倒数第二层中的活化神经元与输出层中的神经元的权重的值。在较低层中，该梯度可取决于权重的值以及所计算出的较高层的误差梯度。权重可随后被调整以减小误差。这种调整权重的方式可被称为“反向传播”，因为其涉及在神经网络中的反向传递(“backward pass)。”49.在实践中，权重的误差梯度可能是在少量示例上计算的，从而计算出的梯度近似于真实误差梯度。这种近似方法可被称为随机梯度下降法。随机梯度下降法可被重复，直到整个系统可达成的误差率已停止下降或直到误差率已达到目标水平。在学习之后，可以向dcn呈递新图像并且在网络中的前向传递可产生输出222，其可被认为是该dcn的推断或预测。
50.深度置信网络(dbn)是包括多层隐藏节点的概率性模型。dbn可被用于提取训练数据集的阶层式表示。dbn可通过堆叠多层受限波尔兹曼机(rbm)来获得。rbm是一类可在输入集上学习概率分布的人工神经网络。由于rbm可在没有关于每个输入应该被分类到哪个类的信息的情况下学习概率分布，因此rbm经常被用在无监督式学习中。使用混合无监督式和受监督式范式，dbn的底部rbm可按无监督方式被训练并且可以用作特征提取器，而顶部rbm可按受监督方式(在来自先前层的输入和目标类的联合分布上)被训练并且可用作分类器。
51.深度卷积网络(dcn)是卷积网络的网络，其配置有附加的池化和归一化层。dcn已在许多任务上达成现有最先进的性能。dcn可以使用受监督式学习来训练，其中输入和输出目标两者对于许多典范是已知的并被用于通过使用梯度下降法来修改网络的权重。
52.dcn可以是前馈网络。另外，如上所述，从dcn的第一层中的神经元到下一更高层中的神经元群的连接跨第一层中的各神经元被共享。dcn的前馈和共享连接可被用于进行快速处理。dcn的计算负担可比例如类似大小的包括回流或反馈连接的神经网络的计算负担小得多。
53.卷积网络的每一层的处理可被认为是空间不变模版或基础投影。如果输入首先被分解成多个通道，诸如彩色图像的红色、绿色和蓝色通道，则在该输入上训练的卷积网络可被认为是三维的，其具有沿着该图像的轴的两个空间维度以及捕获颜色信息的第三维度。卷积连接的输出可被认为在后续层中形成特征图，该特征图(例如，220)中的每个元素从先前层(例如，特征图218)中一定范围的神经元以及从该多个通道中的每个通道接收输入。特征图中的值可以用非线性(诸如矫正，max(0,x))进一步处理。来自毗邻神经元的值可被进一步池化(这对应于降采样)并可提供附加的局部不变性以及维度缩减。还可通过特征图中神经元之间的侧向抑制来应用归一化，其对应于白化。
54.深度学习架构的性能可随着有更多被标记的数据点变为可用或随着计算能力提高而提高。现代深度神经网络用比仅仅十五年前可供典型研究者使用的计算资源多数千倍的计算资源来例行地训练。新的架构和训练范式可进一步推升深度学习的性能。经矫正的线性单元可减少被称为梯度消失的训练问题。新的训练技术可减少过度拟合(over-fitting)并因此使更大的模型能够达成更好的普遍化。封装技术可抽象出给定的感受野中的数据并进一步提升总体性能。
55.图3是解说深度卷积网络350的框图。深度卷积网络350可包括多个基于连通性和权重共享的不同类型的层。如图3中示出的，深度卷积网络350包括卷积块354a、354b。卷积块354a、354b中的每一者可配置有卷积层(conv)356、归一化层(lnorm)358、和最大池化层(max pool)360。
56.卷积层356可包括一个或多个卷积过滤器，其可被应用于输入数据以生成特征图。尽管仅示出了两个卷积块354a、354b，但本公开不限于此，而是代之以根据设计偏好可将任何数目的卷积块354a、354b包括在深度卷积网络350中。归一化层358可对卷积过滤器的输出进行归一化。例如，归一化层358可提供白化或侧向抑制。最大池化层360可提供在空间上的降采样聚集以实现局部不变性以及维度缩减。
57.例如，深度卷积网络的并行过滤器组可被加载到soc 100的cpu 102或gpu 104上以达成高性能和低功耗。在替换实施例中，并行过滤器组可被加载到soc 100的dsp 106或isp 116上。另外，深度卷积网络350可访问其他可存在于soc 100上的处理块，诸如分别专用于传感器和导航的传感器处理器114和导航模块120。
58.深度卷积网络350还可包括一个或多个全连通层362(fc1和fc2)。深度卷积网络350可进一步包括逻辑回归(lr)层364。深度卷积网络350的每一层356、358、360、362、364之间是要被更新的权重(未示出)。每一层(例如，356、358、360、362、364)的输出可以用作深度卷积网络350中一后续层(例如，356、358、360、362、364)的输入以从第一卷积块354a处供应的输入数据352(例如，图像、音频、视频、传感器数据和/或其他输入数据)学习阶层式特征
表示。深度卷积网络350的输出是针对输入数据352的分类得分366。分类得分366可以是概率集，其中每个概率是输入数据包括来自特征集的特征的概率。
59.如所描述的，深度神经网络在包括图像域在内的各种域中广泛使用卷积神经网络(cnn)。cnn也在用于处理音频数据(诸如语音)的神经网络模型中被采用。用于接收频域特征(诸如梅尔语谱图)的此类神经网络模型的架构包括多个二维(2d)卷积层。一些架构在图像域得到了广泛的验证，并正在扩展到用于处理音频数据的模型。
60.2d卷积涉及同等地处理针对所有空间方向的输入。这些特性对于图像域任务以相同的方式提取位于不同空间的对象的特征是有用的。然而，音频数据根据其在频率维度中的位置具有唯一的特性，因此以与图像相同的方式处置它可能会有问题。
61.为了解决这个问题，本公开的各方面涉及针对人工神经网络(诸如cnn)的归一化层。批归一化使用批统计来归一化每个通道。在批归一化中，高度和宽度是同等归一化的。因此，可能难以不同地解读每个频带的唯一特性。附加地，如果存在数据尺度的不平衡，也维持该不平衡。因此，在本公开的各方面，子谱归一化(ssn)可被应用于cnn以用于处理音频数据。在snn中，输入的频率维度可以被划分成若干子带，并且这些子带可以被独立地归一化。在一些方面中，可以调整每个子带的尺度不平衡。例如，通过对每个子带执行不同的仿射变换，每个子带可以使用不同的卷积过滤器。因此，ssn可被应用于归一化频域音频输入的每个子带。在这样做时，卷积过滤器可被配置成表现得像几乎没有附加参数的多个过滤器。如此，应用ssn可以提高人工神经网络的准确性和处理效率。
62.根据本公开的各方面，子谱归一化(ssn)可被应用于2d卷积网络以用于音频数据处理。输入音频数据的频率维度可以被分离或拆分成若干个群(或子带)，并且可以对每个群或子带独立地执行归一化。即，在snn中，归一化层独立地考虑每个频带。
63.图4是解说子谱归一化(ssn)408与其他经归一化输入的比较的框图。参考图4，示出了批归一化402、实例归一化404、群归一化406和snn 408的示例。批归一化(bn)402沿着批维度操作归一化。在批归一化之后，一些方法避免沿批维度进行计算。实例归一化(in)404不是沿着批维度操作计算，而是仅针对每个样本操作计算。群归一化406针对一群样本进行操作。与在沿时间维度对整个频率维度进行操作的其他归一化技术(例如，402、404和406)不同，snn 408对频率维度的一个或多个子带进行操作。即，对于图4的其他归一化示例中的每一者(例如，402、404和406)，输入的相同类型的归一化被应用于输入的沿时间维度的所有频率子带。与这些办法不同，代替沿时间维度归一化输入的所有频率，ssn 408沿频率维度归一化该输入。此外，ssn 408还可以独立地归一化音频输入的n个频率子带中的每一者。
64.一般的归一化方法可以定义如下：
[0065][0066]
其中x标示输入特征，并且μ和σ分别是x的平均值和标准差。在批归一化(bn)中，x是小批次中相同通道的特征，并且μ和σ标示该特征x的平均值和标准差。另一方面，在ssn中，x标示频率维度的一个子带，而不是一个通道的整个特征。另外，针对每个子带计算μ和σ。可以通过对每个子带单独应用批归一化来执行ssn。在这样做时，ssn可以给出关于针对每个子带不同地定义以下卷积层的参数的效果。附加地，snn可以移除各子带之间的权重偏
差，同时提供频率感知特性。
[0067]
给定子带数目s，子带特征xi的经归一化特征可以被定义为：
[0068][0069]
其中i是每个子带的索引，i∈s，μi和σi是第i个子带的平均值和标准差，w
ssn
是snn的尺度参数，并且b
ssn
是ssn的移位参数。尺度参数和移位参数可以被认为是仿射变换参数。在等式2中，仿射变换参数由整个频率维度共享。在该情形中，仿射变换可以具有作为all(全部)的变换类型。在一些方面，可以针对每个子带执行单独的仿射变换。这种仿射变换可被称为子类型仿射变换，并且可被表达如下：
[0070][0071]
其中w
issn
和b
issn
是第i个子带的尺度和移位参数。通过应用等式2和3中定义的仿射变换，可以移除频率间偏转。因为每个子带都用每个平均值和标准差来归一化，所以每个子带之间的尺度可以被放宽。因此，网络可具有频率感知特性。
[0072]
在一些方面中，ssn的参数可以被合并到下一卷积层。针对子带i的下一卷积层的参数可以定义如下：
[0073]wiconv
＝w
issn
·wconv
ꢀꢀ
(4)
[0074]biconv
＝w
issn
·bconvbissn
ꢀꢀ
(5)
[0075]
其中并且标示具有k
×
k大小的核的下一卷积层的权重和偏差，并且其中c
prev
是输入通道的数目，并且c是输出通道的数目。使用ssn而非bn，针对子带i的下一卷积层可被定义为具有w
conv
、b
conv
、w
issn
和b
issn
的函数。因此，与在整个频率维度上同等地工作的具有bn的卷积相比，具有ssn的卷积可以对每个子带不同地操作。
[0076]
当将ssn应用于cnn时，用户可以控制作为超参数的子带数目和仿射变换的类型，标示为s＝子带数目，且a＝仿射类型。根据这个定义，ssn(s＝1,a＝all)、ssn(s＝1,a＝sub)和bn是等价的操作。通过对每个子带应用不同的仿射变换，可以改变激活的尺度。因此，以此方式，可以控制每个频带的重要性。
[0077]
图5是解说根据本公开的各方面的子谱归一化(ssn)到卷积神经网络的示例应用的框图。参考图5，示出了卷积神经网络(cnn)502。cnn 502包括卷积层506a和506b。提供批归一化层504a和504b以归一化相应卷积层506a和506b的输出特征。如此，输入510(诸如在cnn 502接收的音频信号)经由卷积层506a、506b经受2d卷积操作以提取输入510的特征。所提取的特征经由批归一化层504a和504b被归一化。在这样做时，所提取的特征的高度和宽度被同等地归一化。即，所提取的特征的所有频率被同等地归一化。
[0078]
cnn502可以被变换以捕捉音频信号的不同频率子带的唯一特性。如图5所示，cnn 512用ssn层508a和508b替换批归一化层504a和504b。尽管在图5中替换了批归一化层504a和504b两者，但这仅仅是示例而不是限制性的。相反，归一化层中的一者或多者可以根据设计偏好用ssn层来替换。通过用snn层508a、508b替换批归一化层504a、504b，cnn 512可被配置成比cnn 502更准确地提取输入510的特征(其可以沿着频率维度(例如，音频数据)不同)。在一些方面，可以选择频率维度可被划分成的子带数目。附加地，在一些方面，可以指定仿射变换的类型。因此，对于每个子带可应用不同的仿射变换。在这样做时，激活的尺度
可以被改变。在一些方面，可以改变针对指定子带的激活的尺度。因此，本公开的特征可以有益地应用于常规办法，以改进特征提取和分类能力。
[0079]
图6是解说根据本公开的各方面的用于操作神经网络的示例方法600的流程图。如图6所示，在框602，神经网络接收音频输入。在一些方面，音频输入可以是语音信号等。
[0080]
在框604，该音频输入沿着该音频输入的频率维度被分离成一个或多个子群。如所描述的，该音频输入的频率维度可以被分离或拆分成若干个群(或子带)，并且可以对每个群或子带执行不同的归一化。即，在snn中，归一化层独立地考虑每个频带。
[0081]
在框606，对每个子群执行归一化。针对第一子群的归一化独立于针对第二子群的归一化而执行。如所描述的，该输入音频数据的频率维度可以被分离或拆分成若干个群(或子带)，并且可以对每个群或子带执行不同的归一化。即，在snn中，每个频率子带可以不同地或独立地被归一化。
[0082]
在框608，基于经归一化的子群来生成输出。例如，在神经网络接收音频输入数据的情况下，可以操作神经网络来生成推断。例如，该推断可以是已经检测到关键字的概率。
[0083]
在以下经编号条款中提供了各实现示例。
[0084]
1.一种计算机实现的方法，包括：
[0085]
接收音频输入；
[0086]
沿着该音频输入的频率维度将该音频输入分离成一个或多个子群；
[0087]
对每个子群执行归一化，针对至少第一子群的归一化独立于针对第二子群的归一化而被执行；以及
[0088]
至少部分地基于经归一化的子群来生成输出。
[0089]
2.如条款1的计算机实现的方法，其中该归一化包括对这些子群中的一者或多者应用仿射变换，第一子群不同于第二子群。
[0090]
3.如条款1或2的计算机实现的方法，其中所应用的仿射变换的类型基于一个或多个超参数。
[0091]
4.如条款1-3中任一项的计算机实现的方法，其中该仿射变换被应用于相同频率的子群。
[0092]
5.如条款1-3中任一项的计算机实现的方法，其中该仿射变换被应用于所有子群。
[0093]
6.如条款1-5中任一项的计算机实现的方法，其中该归一化选自包括批归一化、实例归一化和群归一化的群。
[0094]
7.如条款1-6中任一项的计算机实现的方法，其中该输出包括该音频输入的分类或对该音频输入中包括的关键字的指示中的一者。
[0095]
8.一种装置，包括：
[0096]
存储器；以及
[0097]
耦合到该存储器的至少一个处理器，该至少一个处理器被配置成：
[0098]
接收音频输入；
[0099]
沿着该音频输入的频率维度将该音频输入分离成一个或多个子群；
[0100]
对每个子群执行归一化，针对至少第一子群的归一化独立于针对第二子群的归一化而被执行；以及
[0101]
至少部分地基于经归一化的子群来生成输出。
[0102]
9.如条款8的装置，其中该至少一个处理器被进一步配置成将仿射变换应用于这些子群中的一者或多者。
[0103]
10.如条款8或9的装置，其中所应用的仿射变换的类型基于一个或多个超参数。
[0104]
11.如条款8-10中任一项的装置，其中该至少一个处理器被进一步配置成将该仿射变换应用于相同频率的子群。
[0105]
12.如条款8-10中任一项的装置，其中该至少一个处理器被进一步配置成将该仿射变换应用于所有子群。
[0106]
13.如条款8-12中任一项的装置，其中该至少一个处理器被进一步配置成从包括批归一化、实例归一化和群归一化的群中选择归一化。
[0107]
14.如条款8-13中任一项的装置，其中该输出包括该音频输入的分类或对该音频输入中包括的关键字的指示中的一者。
[0108]
15.一种设备，包括：
[0109]
用于接收音频输入的装置；
[0110]
用于沿着该音频输入的频率维度将该音频输入分离成一个或多个子群的装置；
[0111]
用于对每个子群执行归一化的装置，针对至少第一子群的归一化独立于针对第二子群的归一化而被执行；以及
[0112]
用于至少部分地基于经归一化的子群来生成输出的装置。
[0113]
16.如条款15的设备，进一步包括用于将仿射变换应用于这些子群中的一者或多者的装置。
[0114]
17.如条款15或16的设备，其中所应用的仿射变换的类型基于一个或多个超参数。
[0115]
18.如条款15-17中任一项的设备，进一步包括用于将该仿射变换应用于相同频率的子群的装置。
[0116]
19.如条款15-17中任一项的设备，进一步包括用于将该仿射变换应用于所有子群的装置。
[0117]
20.如条款15-19中任一项的设备，进一步包括用于从包括批归一化、实例归一化和群归一化的群中选择归一化的装置。
[0118]
21.如条款15-20中任一项的设备，其中该输出包括该音频输入的分类或对该音频输入中包括的关键字的指示中的一者。
[0119]
22.一种其上编码有程序代码的非瞬态计算机可读介质，该程序代码由处理器执行并且包括：
[0120]
用于接收音频输入的程序代码；
[0121]
用于沿着该音频输入的频率维度将该音频输入分离成一个或多个子群的程序代码；
[0122]
用于对每个子群执行归一化的程序代码，针对至少第一子群的归一化独立于针对第二子群的归一化而被执行；以及
[0123]
用于至少部分地基于经归一化的子群来生成输出的程序代码。
[0124]
23.如条款22的非瞬态计算机可读介质，进一步包括用于将仿射变换应用于这些子群中的一者或多者的程序代码。
[0125]
24.如条款22或23的非瞬态计算机可读介质，其中所应用的仿射变换的类型基于
一个或多个超参数。
[0126]
25.如条款22-24中任一项的非瞬态计算机可读介质，进一步包括用于将该仿射变换应用于相同频率的子群的程序代码。
[0127]
26.如条款22-24中任一项的非瞬态计算机可读介质，进一步包括用于将该仿射变换应用于所有子群的程序代码。
[0128]
27.如条款22-26中任一项的非瞬态计算机可读介质，进一步包括用于从包括批归一化、实例归一化和群归一化的群中选择归一化的程序代码。
[0129]
28.如条款22-27中任一项的非瞬态计算机可读介质，其中该输出包括该音频输入的分类或对该音频输入中包括的关键字的指示中的一者。
[0130]
在一个方面，接收装置、分离装置、执行装置和/或生成装置可以是cpu 102、与cpu 102相关联的程序存储器、专用存储器块118、卷积层356、和/或被配置成执行所叙述功能的路由连接处理单元216。在另一种配置中，前述装置可以是被配置成执行由前述装置所叙述的功能的任何模块或任何装备。
[0131]
以上所描述的方法的各种操作可由能够执行相应功能的任何合适的装置来执行。这些装置可包括各种硬件和/或软件组件和/或模块，包括但不限于电路、专用集成电路(asic)、或处理器。一般而言，在附图中有解说的操作的场合，那些操作可具有带相似编号的相应配对装置加功能组件。
[0132]
如本文所使用的，术语“确定”涵盖各种各样的动作。例如，“确定”可包括演算、计算、处理、推导、研究、查找(例如，在表、数据库或另一数据结构中查找)、查明及诸如此类。附加地，“确定”可包括接收(例如接收信息)、访问(例如访问存储器中的数据)、及类似动作。此外，“确定”可包括解析、选择、选取、确立及类似动作。
[0133]
如本文中所使用的，引述一列项目“中的至少一者”的短语是指这些项目的任何组合，包括单个成员。作为示例，“a、b或c中的至少一者”旨在涵盖：a、b、c、a-b、a-c、b-c、以及a-b-c。
[0134]
结合本公开所描述的各种解说性逻辑框、模块、以及电路可用设计成执行本文所描述功能的通用处理器、数字信号处理器(dsp)、专用集成电路(asic)、现场可编程门阵列信号(fpga)或其他可编程逻辑器件(pld)、分立的门或晶体管逻辑、分立的硬件组件或其任何组合来实现或执行。通用处理器可以是微处理器，但在替换方案中，处理器可以是任何市售的处理器、控制器、微控制器、或状态机。处理器还可以被实现为计算设备的组合，例如，dsp与微处理器的组合、多个微处理器、与dsp核心协同的一个或多个微处理器、或任何其他此类配置。
[0135]
结合本公开描述的方法或算法的步骤可直接在硬件中、在由处理器执行的软件模块中、或在这两者的组合中实施。软件模块可驻留在本领域所知的任何形式的存储介质中。可使用的存储介质的一些示例包括随机存取存储器(ram)、只读存储器(rom)、闪存、可擦除可编程只读存储器(eprom)、电可擦除可编程只读存储器(eeprom)、寄存器、硬盘、可移动盘、cd-rom，等等。软件模块可包括单条指令、或许多条指令，且可分布在若干不同的代码段上，分布在不同的程序间以及跨多个存储介质分布。存储介质可被耦合到处理器以使得该处理器能从/向该存储介质读写信息。在替换方案中，存储介质可被整合到处理器。
[0136]
本文所公开的方法包括用于达成所描述的方法的一个或多个步骤或动作。这些方
法步骤和/或动作可以彼此互换而不会脱离权利要求的范围。换言之，除非指定了步骤或动作的特定次序，否则具体步骤和/或动作的次序和/或使用可以改动而不会脱离权利要求的范围。
[0137]
所描述的功能可在硬件、软件、固件或其任何组合中实现。如果以硬件实现，则示例硬件配置可包括设备中的处理系统。处理系统可以用总线架构来实现。取决于处理系统的具体应用和整体设计约束，总线可包括任何数目的互连总线和桥接器。总线可将包括处理器、机器可读介质、以及总线接口的各种电路链接在一起。总线接口可用于尤其将网络适配器等经由总线连接至处理系统。网络适配器可用于实现信号处理功能。对于某些方面，用户接口(例如，按键板、显示器、鼠标、操纵杆，等等)也可以被连接到总线。总线还可以链接各种其他电路，诸如定时源、外围设备、稳压器、功率管理电路以及类似电路，它们在本领域中是众所周知的，因此将不再进一步描述。
[0138]
处理器可负责管理总线和一般处理，包括执行存储在机器可读介质上的软件。处理器可用一个或多个通用和/或专用处理器来实现。示例包括微处理器、微控制器、dsp处理器、以及其他能执行软件的电路系统。软件应当被宽泛地解释成意指指令、数据、或其任何组合，无论是被称作软件、固件、中间件、微代码、硬件描述语言、或其他。作为示例，机器可读介质可包括随机存取存储器(ram)、闪存、只读存储器(rom)、可编程只读存储器(prom)、可擦式可编程只读存储器(eprom)、电可擦式可编程只读存储器(eeprom)、寄存器、磁盘、光盘、硬驱动器、或者任何其他合适的存储介质、或其任何组合。机器可读介质可被实施在计算机程序产品中。该计算机程序产品可以包括包装材料。
[0139]
在硬件实现中，机器可读介质可以是处理系统中与处理器分开的一部分。然而，如本领域技术人员将容易领会的，机器可读介质或其任何部分可在处理系统外部。作为示例，机器可读介质可包括传输线、由数据调制的载波、和/或与设备分开的计算机产品，所有这些都可由处理器通过总线接口来访问。替换地或附加地，机器可读介质或其任何部分可被集成到处理器中，诸如高速缓存和/或通用寄存器文件可能就是这种情形。虽然所讨论的各种组件可被描述为具有特定位置，诸如本地组件，但它们也可按各种方式来配置，诸如某些组件被配置成分布式计算系统的一部分。
[0140]
处理系统可以被配置为通用处理系统，该通用处理系统具有一个或多个提供处理器功能性的微处理器、以及提供机器可读介质中的至少一部分的外部存储器，它们都通过外部总线架构与其他支持电路系统链接在一起。替换地，该处理系统可以包括一个或多个神经元形态处理器以用于实现本文所述的神经元模型和神经系统模型。作为另一替换方案，处理系统可以用带有集成在单块芯片中的处理器、总线接口、用户接口、支持电路系统、和至少一部分机器可读介质的专用集成电路(asic)来实现，或者用一个或多个现场可编程门阵列(fpga)、可编程逻辑器件(pld)、控制器、状态机、门控逻辑、分立硬件组件、或者任何其他合适的电路系统、或者能执行本公开通篇所描述的各种功能性的电路的任何组合来实现。取决于具体应用和加诸于整体系统上的总设计约束，本领域技术人员将认识到如何最佳地实现关于处理系统所描述的功能性。
[0141]
机器可读介质可包括数个软件模块。这些软件模块包括当由处理器执行时使处理系统执行各种功能的指令。这些软件模块可包括传送模块和接收模块。每个软件模块可以驻留在单个存储设备中或者跨多个存储设备分布。作为示例，当触发事件发生时，可以从硬
驱动器中将软件模块加载到ram中。在软件模块执行期间，处理器可以将一些指令加载到高速缓存中以提高访问速度。可随后将一个或多个高速缓存行加载到通用寄存器文件中以供处理器执行。在以下述及软件模块的功能性时，将理解此类功能性是在处理器执行来自该软件模块的指令时由该处理器来实现的。此外，应领会，本公开的各方面产生对处理器、计算机、机器或实现此类方面的其它系统的机能的改进。
[0142]
如果以软件实现，则各功能可作为一条或多条指令或代码存储在计算机可读介质上或藉其进行传送。计算机可读介质包括计算机存储介质和通信介质两者，这些介质包括促成计算机程序从一地向另一地转移的任何介质。存储介质可以是能被计算机访问的任何可用介质。作为示例而非限定，此类计算机可读介质可包括ram、rom、eeprom、cd-rom或其他光盘存储、磁盘存储或其他磁存储设备、或能用于携带或存储指令或数据结构形式的期望程序代码且能被计算机访问的任何其他介质。另外，任何连接也被正当地称为计算机可读介质。例如，如果软件是使用同轴电缆、光纤电缆、双绞线、数字订户线(dsl)、或无线技术(诸如红外(ir)、无线电、以及微波)从web网站、服务器、或其他远程源传送而来，则该同轴电缆、光纤电缆、双绞线、dsl或无线技术(诸如红外、无线电、以及微波)就被包括在介质的定义之中。如本文所使用的盘(disk)和碟(disc)包括压缩碟(cd)、激光碟、光碟、数字多用碟(dvd)、软盘、和碟，其中盘(disk)常常磁性地再现数据，而碟(disc)用激光来光学地再现数据。因此，在一些方面，计算机可读介质可包括非瞬态计算机可读介质(例如，有形介质)。另外，对于其他方面，计算机可读介质可包括瞬态计算机可读介质(例如，信号)。以上的组合应当也被包括在计算机可读介质的范围内。
[0143]
由此，某些方面可包括用于执行本文中给出的操作的计算机程序产品。例如，此类计算机程序产品可包括其上存储(和/或编码)有指令的计算机可读介质，这些指令能由一个或多个处理器执行以执行本文中所描述的操作。对于某些方面，计算机程序产品可包括包装材料。
[0144]
此外，应当领会，用于执行本文中所描述的方法和技术的模块和/或其他恰适装置可由用户终端和/或基站在适用的场合下载和/或以其他方式获得。例如，此类设备能被耦合到服务器以促成用于执行本文中所描述的方法的装置的转移。替换地，本文中所描述的各种方法能经由存储装置(例如，ram、rom、诸如压缩碟(cd)或软盘之类的物理存储介质等)来提供，以使得一旦将该存储装置耦合到或提供给用户终端和/或基站，该设备就能获得各种方法。此外，可利用适于向设备提供本文中所描述的方法和技术的任何其他合适的技术。
[0145]
将理解，权利要求并不被限于以上所解说的精确配置和组件。可在以上所描述的方法和装置的布局、操作和细节上作出各种改动、更换和变形而不会脱离权利要求的范围。