Noise2Noise音频去噪项目使用教程

Noise2Noise音频去噪项目使用教程

Noise2Noise-audio_denoising_without_clean_training_dataSource code for the paper titled "Speech Denoising without Clean Training Data: a Noise2Noise Approach". Paper accepted at the INTERSPEECH 2021 conference. This paper tackles the problem of the heavy dependence of clean speech data required by deep learning based audio denoising methods by showing that it is possible to train deep speech denoising networks using only noisy speech samples.项目地址:https://gitcode.com/gh_mirrors/no/Noise2Noise-audio_denoising_without_clean_training_data

1. 项目的目录结构及介绍

Noise2Noise-audio_denoising_without_clean_training_data项目的目录结构如下：

Noise2Noise-audio_denoising_without_clean_training_data/
│
├── README.md
├── requirements.txt
├── datasets/
│   ├── UrbanSound8K/
│   └── Voice Bank + DEMAND/
├── weights/
├── Pretrained_Weights/
├── metrics.py
├── train.py
├── test.py
└── config.yaml

目录结构介绍

• README.md: 项目说明文件，包含项目的基本信息和使用指南。
• requirements.txt: 项目依赖包列表。
• datasets/: 存放训练和测试数据集的目录。
  • UrbanSound8K/: 包含真实世界噪声样本的数据集。
  • Voice Bank + DEMAND/: 包含语音样本的数据集。
• weights/: 训练过程中保存的模型权重文件。
• Pretrained_Weights/: 预训练模型权重文件。
• metrics.py: 计算模型性能指标的脚本。
• train.py: 训练模型的脚本。
• test.py: 测试模型的脚本。
• config.yaml: 项目配置文件。

2. 项目的启动文件介绍

train.py

train.py 是用于训练模型的主要脚本。启动训练的命令如下：

python train.py --config config.yaml

test.py

test.py 是用于测试模型的主要脚本。启动测试的命令如下：

python test.py --config config.yaml --weights Pretrained_Weights/model.pth

3. 项目的配置文件介绍

config.yaml

config.yaml 是项目的配置文件，包含训练和测试的各种参数设置。以下是配置文件的部分内容示例：

train:
  batch_size: 32
  epochs: 100
  learning_rate: 0.001
  noise_type: "UrbanSound8K"

test:
  batch_size: 16
  noise_type: "UrbanSound8K"

配置文件参数介绍

• train: 训练相关参数

  • batch_size: 训练批次大小。
  • epochs: 训练迭代次数。
  • learning_rate: 学习率。
  • noise_type: 噪声类型，如 "UrbanSound8K" 或 "White Gaussian noise"。

• test: 测试相关参数

  • batch_size: 测试批次大小。
  • noise_type: 噪声类型，如 "UrbanSound8K" 或 "White Gaussian noise"。

通过修改 config.yaml 文件中的参数，可以调整训练和测试的行为。

Noise2Noise-audio_denoising_without_clean_training_dataSource code for the paper titled "Speech Denoising without Clean Training Data: a Noise2Noise Approach". Paper accepted at the INTERSPEECH 2021 conference. This paper tackles the problem of the heavy dependence of clean speech data required by deep learning based audio denoising methods by showing that it is possible to train deep speech denoising networks using only noisy speech samples.项目地址:https://gitcode.com/gh_mirrors/no/Noise2Noise-audio_denoising_without_clean_training_data