Deep learning 为什么FairSeq的VQ-Wav2Vec输出缺少帧？

我正在使用fairseq库使用VQ-Wav2Vec代码运行特征提取示例代码，如下所示：

In [6]: import torch
   ...: from fairseq.models.wav2vec import Wav2VecModel

In [7]: cp = torch.load('wav2vec_models/checkpoint_best.pt')
   ...: model = Wav2VecModel.build_model(cp['args'], task=None)
   ...: model.load_state_dict(cp['model'])
   ...: model.eval()

In [9]: wav_input_16khz = torch.randn(1,10000)
   ...: z = model.feature_extractor(wav_input_16khz)
   ...: f, idxs = model.vector_quantizer.forward_idx(z)
   ...: print(idxs.shape, f.shape)

>>>> torch.Size([1, 60, 4]) torch.Size([1, 512, 60])

我的理解是，vq-wav2vec每10ms处理一次输入语音（假设以16K采样/秒的速度采样）样本，并为每10ms语音输出一个样本大小为[512]的特征向量。假设输入语音是10000个样本，我们应该得到62帧（62*160=9920个样本）

为什么我只能看到60帧？

来自文章（arxiv.org/pdf/1904.05862.pdf）：“编码器的输出是低频特征表示。”∈Z编码约30毫秒的16 kHz音频，跨步每10毫秒产生一次表示zi。”=>窗口重叠，这解释了为什么减少2帧。 事实上，我们正在将30毫秒的窗口移动10毫秒。在您的示例中，30毫秒窗口占据60个不同的位置