1、BN层
BN原理就是训练时候学习batch样本的均值和标准差，逐batch进行滑动更新，然后根据他们做归一化，结果乘以gamma再加上beta等于输出，gamma和beta就是BN层的待学习参数，等到推断的时候，固定住gamma和beta以及train时候得到的均值和标准差，得到计算结果即可
2、viterbi算法
动态规划算法，用于寻找最有可能产生观测事件序列的-维特比路径-隐含状态序列，特别是在马尔可夫信息源上下文和隐马尔可夫模型中。声音信号作为观察到的事件序列，而文本字符串，被看作是隐含的产生声音信号的原因，因此可对声音信号应用维特比算法寻找最有可能的文本字符串。
3、三音素绑定过程
将那些相似的音素归为一类(Cluster)。最常用的方法是决策树。个决策树的训练也和正常的决策树训练类似，对于每个节点，它会考虑新分支将会给训练数据的声学模型似然度带来的影响并选择似然度最大那个节点和问题。如此反复进行迭代制止到达叶子节点。
4、Boosting/Bagging 与 偏差/方差 的关系
Boosting 能提升弱分类器性能的原因是降低了偏差；Bagging 则是降低了方差； 偏差与方差分别是用于衡量一个模型泛化误差的两个方面； 模型的偏差，指的是模型预测的期望值与真实值之间的差； 模型的方差，指的是模型预测的期望值与预测值之间的差平方和； 偏差用于描述模型的拟合能力； 方差用于描述模型的稳定性。
