gydtep

有人曾说架构有个“看山四境界”，面对的场景，一个比一个复杂，解决的问题一个比一个困难。在人类早期社会时，就是单纯的为了生存，吃喝保暖、生老病死。就是“看山就是山”的境界，等到面对的事情越来越复杂，就会体悟到更多不同的境界。

gydtep

放到程序媛的成长上来看，初期我们认为“我是个女孩子，我和他们不一样”。就是“看山就是山”，等到后期慢慢发现，女程序员和男程序员一样，我不是柔柔弱弱的女孩子，我也要像男生那样去拼搏，去夺取更多的荣誉。

gydtep

这就到了“看山不是山”这一层。拼搏一段时间，恍然大悟，我就是个女孩子，这是我不能改变的，我更应该接受自己和男程序员的不同，发挥自己的优势，才能在工作中做到更好，与自己和解，才能到达“看山还是山”的境界。

gydtep

传统算法增强后会有很多残留噪声，这些噪声会导致主观听感差，甚至影响语音信息传达的可懂度；

gydtep

从原理上保证可实时处理，同时客观指标并没有下降，还有轻微的提升；然后在工程实践中，采用cache buffer策略，实现了CNN的流式处理，同时保证分帧后的效果，可以支持任意延时，这也是目前线上应用的版本。

gydtep

网络结构以1D卷积为主，同时加入了res结构，在每一个blocks中实现了三个卷积单元，通过调整kernel size实现不同维度的特征提取，将不同blocks连接起来，达到推进抽象特征的深入过程，最终得出期望的时频域上的先验信噪比。除此之外，我还进行了去除seq_len，添加highpass，更改数据混合方式，调整训练集中的噪声分布等改进项，从不同角度提升模型的训练效果

gydtep

为了节省计算资源，我们采用了模型裁剪手段：
1. 把neuron或weight剪掉，使得网络变小。通过对网络的分析会发现有些weight基本为0，对输出影响不大或有些neuron的output总是为0，那这种情况下就可以把它移除。

gydtep

使用更少的bit来表示权重
调整网络的结构设计，减少参数量
模型可以自适应，在资源不充足的情况下，也可以输出一个还不错的结果；在资源充足时就做到最好

gydtep

总结下来，传统降噪算法只能处理稳态噪声，非稳态突发噪声处理能力弱，但数据驱动类的算法稳态噪声及瞬时 非稳态噪声均可处理。在性能消耗上，传统算法是比较小的，数据驱动类算法会相对耗一些，为此，我们设计了小模型使用简单结构 以更好的发挥MNN的优化效果的策略为主，在实用性上，传统算法经验参数多，场景适应性差，而数据驱动类算法，场景适应性是比较好。

gydtep

对于 lucene 而言，其使用的是堆外内存
• Page Cache：lucene 读写段文件时会依赖操作系统的 page cache 缓存，如果多次查询都涉及到读取某个段文件的同一部分内容，就直接使用 page cache 进行读取，无需再从磁盘获取数据。page cahce 由操作系统管理，淘汰策略类似LRU。