1.输入的语音数据
inputs
inputs_length
输入的每一个size
输入的所有数据
第二个维度是语音数据条数？
掩码的维度
输入的掩码，掩码取的是size的最大长度
2.将数据和掩码放入卷积层
放入的数据
输出的维度和掩码
输出的维度和掩码
3.具体变化过程
#1.x = x.unsqueeze(1)
添加一个维度，（默认为1）(也就是说第二个维度其实无实际意义)
经常用于CNN，因为conv2d的输入必须是四维的（batch,channel,height,width）,如果输入的是文本的话通常只是三维的（batch,length,dim），因此需要unsqueeze(1)，增加一维channel，才能做卷积操作
#2输入的特征和掩码分别做卷积
第一次卷积
第一次卷积之后的维度
默认的参数
有64个卷积核
也就是64个3*3矩阵
其中的一个卷积矩阵
第二次卷积
维度变化
转换第二个维度和第三个维度，然后c*f压缩一个维度
转化之后的维度
全连接层只在第三个维度做运算
