论文地址：https://arxiv.org/abs/2205.00159

notes：

论文2.5中说的N nodes，就是输出的类别数量，英文37，中文6625，英文37说的是最简单的英文文字识别任务，不区分大小写，就是26个字母+10个数字+空格；

BN就是BatchNorm，LN就是layer norm；

高度下降为一半，宽度不降，是因为高度为度上采用stride=2，宽度上stride=1；

Global Mixing就是全局的自注意，类似与transformer，添加全局的信息；

Local Mixing 就是一个窗口内的Global Mixing，局部的自注意，添加局部范围的信息；

loss： BILSTM loss + CTC loss