核心内容摘要
CNN架构优化：提升SenseVoice-Small声学模型推理效率
理论基础与数学定义
1 困惑度的概念与直观解释
1.
1 不确定性度量与模型"惊讶度"困惑度（Perplexity, PPL）作为自然语言处理领域最核心的评估指标之一，本质上量化了语言模型在面对文本序列时的"惊讶程度"或不确定性水平。
从信息论视角审视，当模型为某个特定词元（Token）分配较低的概率质量时，表明该模型对该位置的预测缺乏信心，这种低置信度直接转化为较高的困惑度值。
具体而言，若一个语言模型对测试文本的困惑度为100，这意味着模型在预测每个Token时，其不确定性相当于面对一个包含100个等概率选择的决策空间，而困惑度为10的模型则只面对10个等概率选择，显然后者的预测更加确定和自信。
这种"惊讶度"的度量方式使得困惑度成为评估语言模型内在质量的重要工具，因为它直接关联到模型对语言规律的学习程度和对上下文的理解深度。
在实际应用中，低困惑度通常意味着模型能够准确捕捉文本的语义连贯性和语法结构，而高困惑度则暗示模型对当前序列感到"困惑"，可能面临罕见词汇、语义断裂或领域不匹配等问题。
1.
2 分支因子与有效词汇量解释困惑度的另一重要直观解释是"分支因子"（Branching Factor）概念，它将模型的不确定性量化为等效的选择空间大小。
具体而言，如果模型的困惑度为P P