【实例简介】
js/html基础示例：简单登录页面
【实例截图】
【核心代码】
文档：590m.com/f/25127180-496787472-732294（访问密码：551685）
以下内容无关：
-------------------------------------------分割线---------------------------------------------
写这篇文章的目的：
降低全国想要做基于深度学习的回声消除同学们一个入门门槛。万事开头难呀，肯定有很多小白辛苦研究了一年，连基线系统都搭建不出来的，他们肯定心心念念有谁能帮帮他们，这不，我来了。
在基于深度学习的回声消除这一块，网上几乎没人开源，github上能找到的几乎都是基于自适应滤波器的。我个人是很提倡开源精神的，能让更多的人能够参与进来，小到促进这个领域的进步，大到提升国家科学竞争力，哪怕只是一小步，都需要有人做出行动。
今天我开源，明天你开源。可能以后你们的开源项目也能帮助到我。
作者独白：
写这篇文章的目的在于想做基于深度学习的回声消除小白们一份入门教学，所以别对这篇文章有什么创新点或者性能上的较大期待，我只是随便搭建了一个基线系统，来进行回声消除代码的讲解，带领小白入门。
别问我为什么不调试好了再分享出来，时间精力有限，我的研究方向也不是回声消除，我只是感兴趣，也没人给我钱支持我研究，从一个基线模型到最终一个完善的模型，是需要巨大的时间成本的，每往下走一步需要的付出精力越多，这就是科研之路。
本文分享出来的系统在哪个点可以改进，可以做创新发论文，我都会在文中说明，不用感谢我😁
本文引用了诸多我原先的文章，遇到不懂的大家可能还需要多翻看原来的文章，知识需要积累，没有一蹴而就的捷径。
文中若有不对之处，还请各位看官多多包含，多提意见，我会积极修改的😃。觉得写得不错的，建议点赞关注一下，这是对我最大的支持，是给我开源精神最大的鼓励，我以后也还会努力分享好文章给大家的。
原理
传统算法
主要参考我的另外一篇文章：声学回声消除(Acoustic Echo Cancellation)原理与实现。
图中x(n)为远端语音，y(n)为远端回声y(n)=x(n)∗w(n)，s(n)为近端语音，d(n)为近端麦克风语音信号。
深度学习算法
回声包含线性回声和非线性回声
线性回声：远端语音直接 被近端麦克风接收的回声。
非线性回声：远端语音经过多径传播后 被近端麦克风接收的回声
线性回声可以通过 时延估计、端点检测和自适应滤波器技术较好的消除，非线性回声经过多次反射后产生了混响，声学特性复杂，很难消除。基于深度学习的回声消除技术，目前有这几个方向在做：
神经网络
自适应滤波器+神经网络
神经网络
利用神经网络较强的非线性拟合能力，直接消除线性回声和非线性回声
优点：过程简单，一步到位
缺点：可能需要更复杂或精炼的模型，才能达到更好的效果。更加考验模型的能力
自适应滤波器+神经网络
先利用简单的传统方法消除线性回声，再利用神经网络消除非线性回声
优点：有针对性的进行回声消除，能降低神经网络的负担
缺点：能一步到位的事情，就不要把事情复杂化
图片来源于论文：Residual acoustic echo suppression based on efficient multi-task convolutional neural network，图中e(n)为自适应滤波器输出的的残差信号，u(n)为远端参考信号，然后利用短时间傅里叶变换(STFT)将e(n)和u(n)转换到频域，串联作为输入特征。同样输出mask。
