卷積神經網絡（CNN）是深度學習中常用的網絡架構，在智能語音中也不例外，比如語音識別。語音中是按幀來處理的，每一幀處理完就得到了相對應的特征向量，常用的特征向量有MFCC等，通常處理完一幀得到的是一個39維的MFCC特征向量。假設一段語音有N幀，處理完這段語音后得到的是一個39行N列（行表示特征維度，列表示幀數）的矩陣，這個矩陣是一個平面，是CNN的輸入。應用在圖像問題上的CNN通常是二維卷積（因為圖像有RGB三個通道），而語音問題上的CNN輸入是一個矩陣平面，可以用一維卷積。本文就講講一維卷積是怎么處理的。
所謂一維卷積是指卷積核只在一個方向上移動。具體到語音上，假設一段語音提取特征后是一個M行N列（M表示特征維度，N表示幀數）的矩陣平面，卷積核要在幀的方向上從小到大移動，下圖給出了示意。
卷積核也是一個矩陣（J行K列）。由於卷積核只在一個方向上移動，要把所有的特征值都覆蓋到，必須卷積核的行數要等於特征值矩陣的行數，即J = M，所以描述卷積核時只需要知道kernel size（即多少列）和 kernel count（即多少個kernel）。
知道kernel size和kernel count后，再來看一維卷積的計算過程，看一個輸入矩陣經過一維卷積后得到的是什么。設定padding模式為same（卷積處理后的輸出矩陣與輸入矩陣有相同的列數），stride為1（kernel一次只移動一格）。假定輸入矩陣為3x5的矩陣，kernel個數為2，kernel size為3，所以kernel是一個3x3的矩陣。輸入矩陣和兩個kernel矩陣的具體值如下圖，兩個kernel的bias分別是2和3。
先看第一個卷積核與輸入矩陣的計算。由於padding模式是same，輸入矩陣左右都要pad。Kernel size是3，所以輸入矩陣左右都要補充1列（用0填充），補充后輸入矩陣變成了下圖。
做卷積時先從左邊的padding處開始，具體如下圖，相對應的位置相乘再相加后，再加上bias就可以了,計算出值為10(0 x 1 + 1 x 0 + 4 x 0 + 0 x 0 + 2 x 1 + 5 x 0 + 0 x 0 + 3 x 0 + 6 x 1 + 2 = 10)。
把卷積核向幀增大方向（即向右）移動一格，如下圖：
同樣方法計算出值為17(1 x 1 + 4 x 0 + 7 x 0 + 2 x 0 + 5 x 1 + 8 x 0 + 3 x 0 + 6 x 0 + 9 x 1 + 2 = 17)。
經過4次移動后就到了右邊的padding處，同樣方法計算。最終得到的是一個1行5列的矩陣，如下圖：
第二個kernel的卷積計算與第一個kernel計算一樣，得到的也是一個1行5列的矩陣。如下圖：
最終一個3x5的輸入矩陣與kernel count為2、kernel size為3的卷積后得到的是一個2行5列的矩陣，如下圖。
可以看出卷積后輸入矩陣的列數不變，行數變為了kernel的個數（這是在padding模式為same、stride為1的case下，其他case行數依舊是kernel的個數，列數會變化，比如stride > 1 或者用上maxpooling后列數會減少，但卷積計算過程是一樣的）。
以上就是一維卷積的處理過程，很簡單的吧。