提高降噪模型對雜訊的泛化性，主要還是通過增加雜訊資料的多樣性（可以收集不同雜訊資料/或對雜訊資料做perturbation）
雜訊資料集：
sound-ideas 包含各種雜訊型別，但是要收費
freesound 做freesound的聲音分類包含很多喚醒雜訊：
non speech noise 100條non-speech雜訊資料
urben sound 類似freesound
audiosets
speaker generation 和模型的context 關係密切。dnn model 使用更多speaker資料訓練時，效果並沒有提公升，但是像rnn 這種網路在speaker 數量增多時，效果提公升比較明顯（因為dnn 模型一般設定前後context 比較小，但rnn 這種模型結構就有long-term context，也可以利用tcn 這樣的網路結構增加context 的大小)。
評估方法提高深度學習模型泛化能力
三種經典的評估方法提高模型泛化能力 留出驗證 評估模型時，將資料劃分為訓練集 驗證集 測試集。比較適合大資料集 在訓練資料上訓練模型，在驗證資料上評估模型，最後在測試資料上測試最佳引數的模型。劃分為三個集合而非兩個集合 訓練集和測試集，是因為在模型設計時一般需要調節模型超引數，比如隱藏層數 每層神經...
泛型的一些理解
泛型是為了解決型別不確定的問題，業務邏輯相同只有物件型別不同。是屬於編譯期的，編譯器編譯完之後，帶有泛型的程式，生成的.class位元組碼檔案中將不存在泛型。以此使程式在執行時效率不受影響，這個過程被稱為泛型 擦除 泛型泛型又可以分為集合泛型和自定義泛型。一 集合泛型 list list1 new ...
泛型的一些問題
泛型的概念 把型別明確工作推遲到建立物件或者呼叫方法時才明確的一種機制 泛型的語法 引用型別,引用型別 使用泛型好處是避免了向下轉型，例如集合中的元素 如果不使用泛型，取出元素後，需要向下轉型成為本類才可以獲得 arraylist arraylist newarraylist arraylist.a...