2203_76099506的博客

这个代码是以tensorflow为框架训练的，由于之前一直没有系统的了解tensorflow框架和Pytorch框架的区别，得着今天闲来无事，了解了一下，顺便看看能不能自己用Pytorch框架来训练猫狗分类的代码。Pytorch主要凭借其动态计算图和用户的易使用性在广大研究中脱颖而出，它以Python为基础，并提供了丰富的工具和接口，使得构建和训练神经网络变得简单快捷。这里一定要注意对图像进行归一化处理，保证每一张图的尺寸都是一样大小的，所以在这里我重新定义了transform1，将图片进行统一的预处理。

这里就涉及到语义匹配的工作。（最开始我没有按照它的官网的步骤，靠着自己的经验去下载安装，结果吃了很多亏。但是我看网上普遍用的是3.8，所以为了保险起见我这里用的是python3.8的版本。但其实在这里块我遇见了很多问题，你要自己用nvidia-smi去看看自己的CUDA version，这里我清楚了蛮多nvcc-V和nvidia-smi之间的区别，大家可以参考这篇博客。然后你就是各种安装包，这里可能再安装paddle会有些复杂，你要根据它报的错误，把那些没有的模块全部安装好，最后才能成功安装paddle。

whisper模型有好几种，base、medium、large-v1、large-v2，large-v3.我选择的是large-v2，但其实medium的翻译就差不多了，可以满足日常的需要。其实效果最好的是通义听悟，毕竟是阿里做的效果真的非常好，他会对你上传的视频的语音进行分析，不仅能根据说话人进行转录（翻译的准确度非常高）而且还有大模型的辅助，真的强。其实大家要是不想要这么麻烦可以直接调用科大讯飞的API，我感觉效果也挺好的，有各种选择，还能实现实时的转录，真的还不错。这里你可以参考以下这篇博客的内容。