TDNN本质上是1维卷积，而且常常是1维膨胀卷积，这样的一种结构非常注重context，也就是上下文信息，具体而言，是在frame-level的变换中，更多地利用相邻frame的信息，甚至跳过 t − 1 , t + 1 t-1,t+1 t−1,t+1的frame，而去对 t − 2 , t + 2 t-2,t+2 t−2,t+2的frame进行连接
在ECAPA-TDNN中，更是进一步利用了膨胀卷积，出现了 d i l a t i o n = 2 , 3 , 4 dilation=2,3,4 dilation=2,3,4的情况。此外，还引入了Res2Net，从而获得了多尺度的context，所谓多尺度，指的是各种大小的感受野
经典的ResNet结构如下左图所示，先用 k e r n e l – s i z e = 1 × 1 kernel \text{-} size=1 \times 1 kernel–size=1×1的卷积运算，相当于只针对每个像素点的特征通道进行变换，而不关注该像素点的任何邻近像素，并且是降低特征通道的，所以也被叫做Bottleneck，就好像将可乐从瓶口倒出来，如果是增加特征通道，那么就叫Inverted Bottleneck
1 × 1 1\times1 1×1卷积后，会经过 3 × 3 3\times3 3×3卷积，通常不改变特征通道，如果不需要在最后加上残差连接，那么 s t r i d e = 2 stride=2 stride=2，特征图的分辨率会被下采样，如果需要在最后加上残差连接，那么 s t r i d e = 1 stride=1 stride=1，保持特征图分辨率不变
而Res2Net则是在中间的 3 × 3 3\times3 3×3卷积进行的微创新，首先将 1 × 1 1\times1 1×1卷积后的特征图，按照特征通道数进行平分，得到 s c a l e scale scale个相同的特征图（这里的 s c a l e scale scale是“尺度”的意思，Res2Net的作用就是多尺度特征，一语双关）
卷积中有一个概念叫感受野，是指当前特征图上的像素点，由之前某一个特征图在多大的分辨率下进行卷积得到的。如下图所示， d i l a t i o n = 1 dilation=1 dilation=1的 3 × 3 3\times3 3×3卷积，其输出特征图的每一个像素点的感受野都是 3 × 3 3\times3 3×3，再进行 d i l a t i o n = 1 dilation=1 dilation=1的 3 × 3 3\times3 3×3卷积，其输出特征图的每一个像素点的感受野都是 5 × 5 5\times5 5×5
在ECAPA-TDNN中所用的Res2Net，是上述结构中的2维卷积全部换成1维卷积，采用的中间 k = 3 k=3 k=3卷积（1维卷积，不能用 3 × 3 3\times3 3×3表示，以下都用 k = 3 k=3 k=3代替）为膨胀卷积，并且随着网络深度增加， d i l a t i o n dilation dilation分别为 2 , 3 , 4 2,3,4 2,3,4。ECAPA-TDNN的结构图如下，SE-Res2Block后面括号内的参数，指的是Res2Block的中间 k = 3 k=3 k=3卷积的参数
SE-Res2Block的内部，如下图所示，夹着Res2的两个CRB（Conv1D+ReLU+BN）结构的参数为 ( k = 1 , d = 1 ) (k=1,d=1) (k=1,d=1)，中间的Res2， s c a l e = 8 scale=8 scale=8，之后的运算与上述Res2Net一致，不过每个 k = 3 k=3 k=3卷积都是膨胀卷积，并且都会接ReLU和BN，从而形成Res2 Dilated Conv1D+ReLU+BN的结构
ECAPA-TDNN中对ASP进行了改进，首先将之前3个SE-Res2Block的输出，按照特征维度进行串联，假设frame-level变换中的特征维度是512，由于3个SE-Res2Block的输出维度都是 ( b s , 512 , T ) (bs,512,T) (bs,512,T)，所以串联之后是 ( b s , 512 ∗ 3 , T ) (bs,512*3,T) (bs,512∗3,T)，之后经过一个CRB结构，输出维度固定为 ( b s , 1536 , T ) (bs,1536,T) (bs,1536,T)，即便frame-level的特征维度是1024，该CRB的输出维度也不变。如下图所示
对特征图 ( b s , 1536 , T ) (bs,1536,T) (bs,1536,T)，记为h，按照T维度计算每个特征维度的均值和标准差，如上图的TSTP公式所示（符号 ⊙ \odot ⊙表示哈达玛积，即对应项相乘，两个因子的维度必须相同，从而结果的维度与因子的维度也相同），从而T维度消失，得到的均值和标准差维度均为 ( b s , 1536 ) (bs,1536) (bs,1536)
之后的操作很神奇，将均值在T维度重复堆叠T次，维度恢复为 ( b s , 1536 , T ) (bs,1536,T) (bs,1536,T)，对标准差也是堆叠，维度恢复为 ( b s , 1536 , T ) (bs,1536,T) (bs,1536,T)，接着将特征图、均值和标准差在特征维度进行串联，得到的特征图维度为 ( b s , 1536 ∗ 3 , T ) (bs,1536*3,T) (bs,1536∗3,T)，记为H
对H进行1维卷积，等价于上图的 W × H + b W\times H+b W×H+b，目的是将每个frame的特征从1536*3维降维映射到F维，F可取128，然后经过tanh激活函数，得到特征图a，维度为 ( b s , F , T ) (bs,F,T) (bs,F,T)
对a进行1维卷积，等价于上图的 V × a + k V\times a+k V×a+k，目的是将每个frame的特征从F维恢复映射到与h相同的维度，即1536，然后在T维度，进行softmax激活，得到特征图a，维度为 ( b s , 1536 , T ) (bs,1536,T) (bs,1536,T)
基于Attention的均值和标准差，维度都为 ( b s , 1536 ) (bs,1536) (bs,1536)，再将它们按照特征维度进行串联，得到ASP最终的输出，维度为 ( b s , 1536 ∗ 2 ) (bs,1536*2) (bs,1536∗2)，在ECAPA-TDNN中，ASP之后还会接一个BN
BN
这一节是讲BN（Batch Normalization）的，可能观众会感觉我太啰嗦了，怎么连BN都要讲，主要是ECAPA-TDNN是一个完全的TDNN结构，连BN都是1维的，所以怕大家一下子转不过来弯，下面主要讲解1维BN，自认对BN滚瓜烂熟的观众，可跳过本节 t o r c h . n n . B a t c h N o r m 1 d ( n u m – f e a t u r e s , e p s = 1 e − 05 , m o m e n t u m = 0.1 , a f f i n e = T r u e , t r a c k – r u n n i n g – s t a t s = T r u e , d e v i c e = N o n e , d t y p e = N o n e ) torch.nn.BatchNorm1d(num \text{-} features, eps=1e-05, momentum=0.1, affine=True, track \text{-} running \text{-} stats=True, device=None, dtype=None) torch.nn.BatchNorm1d(num–features,eps=1e−05,momentum=0.1,affine=True,track–running–stats=True,device=None,dtype=None)
BN中的 n u m – f e a t u r e s num \text{-} features num–features是理解BN的关键，对于图像任务， n u m – f e a t u r e s num \text{-} features num–features要等于输入特征图的通道数，而对于音频任务， n u m – f e a t u r e s num \text{-} features num–features要等于 ( b s , F , T ) (bs,F,T) (bs,F,T)中的F
也就是说，BN必然是作用于图像的特征图通道，或者音频中frame的每个特征的， n u m – f e a t u r e s num \text{-} features num–features是告诉BN，均值和标准差，这两个向量的长度
BN计算均值和标准差的操作，与上述ASP的第一步，计算h_mean和h_std是类似的，不过计算的范围是在一个batch中 μ B = 1 b s ∗ T ∑ t b s ∗ T h t σ B 2 = 1 b s ∗ T ∑ t b s ∗ T ( h t − μ ) 2 \begin{aligned} \mu_B &= \frac{1}{bs*T} \sum_{t}^{bs*T} h_t \\ \sigma_B^2 &= \frac{1}{bs*T} \sum_{t}^{bs*T} (h_t – \mu)^2 \end{aligned} μBσB2=bs∗T1t∑bs∗Tht=bs∗T1t∑bs∗T(ht−μ)2
得到一个batch的统计量后，BN的输出也就确定了，不过需要先将 μ B \mu_B μB和 σ B 2 \sigma_B^2 σB2重复堆叠成 ( b s , F , T ) (bs,F,T) (bs,F,T)的大小，与输入BN的特征图H的维度相同，才能让其与H进行运算。在训练时，BN的输出 y t r a i n i n g = γ ∗ H − μ B σ B 2 + ϵ + β y_{training}=\gamma * \frac{H-\mu_B}{\sqrt{\sigma_B^2+\epsilon}} +\beta ytraining=γ∗σB2+ϵH−μB+β
此外，BN内部还有两个用于估计全局统计量的均值和标准差向量，在训练时，这两个向量根据每个batch的统计量进行更新，在测试时，BN会采用全局统计量对特征图进行规范化 μ s a m p l e = μ B σ s a m p l e 2 = b s ∗ T b s ∗ T − 1 σ B 2 μ r u n n i n g = ( 1 − m o m e n t u m ) ∗ μ r u n n i n g + m o m e n t u m ∗ μ s a m p l e σ r u n n i n g 2 = ( 1 − m o m e n t u m ) ∗ σ r u n n i n g 2 + m o m e n t u m ∗ σ s a m p l e 2 y e v a l u a t i n g = γ ∗ H − μ r u n n i n g σ r u n n i n g 2 + ϵ + β \begin{aligned} \mu_{sample}&=\mu_B \\ \sigma_{sample}^2&=\frac{bs*T}{bs*T-1} \sigma_B^2 \\ \mu_{running}&=(1-momentum)*\mu_{running}+momentum*\mu_{sample} \\ \sigma_{running}^2&=(1-momentum)*\sigma_{running}^2+momentum*\sigma_{sample}^2 \\ y_{evaluating}&=\gamma * \frac{H-\mu_{running}}{\sqrt{\sigma_{running}^2+\epsilon}} +\beta \end{aligned} μsampleσsample2μrunningσrunning2yevaluating=μB=bs∗T−1bs∗TσB2=(1−momentum)∗μrunning+momentum∗μsample=(1−momentum)∗σrunning2+momentum∗σsample2=γ∗σrunning2+ϵH−μrunning+β
其中
下标 r u n n i n g running running表示采用移动平均（running average）的方法对全局统计量进行估计
系数 m o m e n t u m momentum momentum是对当前batch的统计量的权重，可取 0.1 0.1 0.1
