随着 CNN 在图像领域的发光发热，VGGNet，GoogleNet和ResNet的应用，为 CNN 在语音识别提供了更多思路，比如多层卷积之后再接 pooling 层，减小卷积核的尺寸可以使得我们能够训练更深的、效果更好的 CNN 模型。