报错n_mels` (128) may be set too high. Or, the value for `n_freqs` (201) may be set too low.

于 2023-04-05 17:32:33 发布
阅读量661 收藏 1
点赞数
文章标签： python tensorflow 深度学习 机器学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/inory_xue/article/details/129973714
版权

        调试时出现就这样的警告At least one mel filterbank has all zero values. The value for `n_mels` (128) may be set too high. Or, the value for `n_freqs` (201) may be set too low.

        实际上好像没有任何影响，参考了相关资料说是音频的采样率太高了，这是那个帖子的截图。

问题：

解答：

 

 

inory_xue
关注
  • 0
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
三菱电机AC伺服电机系统MELSERVO-J5产品样本.pdf
06-03
三菱电机AC伺服电机系统MELSERVO-J5
torchlibrosa
05-06
TorchLibrosa：Librosa的PyTorch实施 该代码库提供了一些librosa函数的PyTorch实现。 如果用户以前用于训练librosa的cpu提取功能，但想在训练和评估期间增加GPU加速，则TorchLibrosa将提供与标准torchlibrosa函数几乎相同的功能（数值差小于1e-5）。 安装 $ pip install torchlibrosa 例子1 用TorchLibrosa提取Log mel频谱图。 import torch import torchlibrosa as tl batch_size = 16 sample_rate = 22050 win_length = 2048 hop_length = 512 n_mels = 128 batch_audio = torch . empty ( batch_size , sample_rate )
vae_tacotron2:VAE Tacotron 2，GST Tacotron的替代产品
03-17
VAE Tacotron-2： 非官方实现 仓库结构： Tacotron-2 ├── datasets ├── LJSpeech-1.1 (0) │   └── wavs ├── logs-Tacotron (2) │   ├── mel-spectrograms │   ├── plots │   ├── pretrained │   └── wavs ├── papers ├── tacotron │   ├── models │   └── utils ├── tacotron_output (3) │   ├── eval │   ├── gta │   ├── logs-eval │   │   ├── plots │   │   └── wavs │   └── natural └── training_data (1)    ├── audio    └── mels
feature_extraction.py
05-27
# -*- coding: utf-8 -*- import numpy as np import librosa import random def extract_power(y, sr, size=3): """ extract log mel spectrogram feature :param y: the input signal (audio time series) :param sr: sample rate of 'y' :param size: the length (seconds) of random crop from original audio, default as 3 seconds :return: log-mel spectrogram feature """ # normalization y = y.astype(np.float32) normalization_factor = 1 / np.max(np.abs(y)) y = y * normalization_factor # random crop start = random.randint(0, len(y) - size * sr) y = y[start: start + size * sr] # extract log mel spectrogram ##### powerspec = np.abs(librosa.stft(y,n_fft=128, hop_length=1024)) ** 2 #logmelspec = librosa.power_to_db(melspectrogram) return powerspec def extract_logmel(y, sr, size=3): """ extract log mel spectrogram feature :param y: the input signal (audio time series) :param sr: sample rate of 'y' :param size: the length (seconds) of random crop from original audio, default as 3 seconds :return: log-mel spectrogram feature """ # normalization y = y.astype(np.float32) normalization_factor = 1 / np.max(np.abs(y)) y = y * normalization_factor # random crop start = random.randint(0, len(y) - size * sr) y = y[start: start + size * sr] # extract log mel spectrogram ##### melspectrogram = librosa.feature.melspectrogram(y=y, sr=sr, n_fft=2048, hop_length=1024, n_mels=90) logmelspec = librosa.power_to_db(melspectrogram) return logmelspec def extract_mfcc(y, sr, size=3): """ extract MFCC feature :param y: np.ndarray [shape=(n,)], real-valued the input signal (audio time series) :param sr: sample rate of 'y' :param size: the length (seconds) of random crop from original audio, default as 3 seconds :return: MFCC feature """ # normalization y = y.astype(np.float32) normalization_factor = 1 / np.max(np.abs(y))
cp8_Sentiment_urlretrieve_pyprind_tarfile_bag词袋_walk目录_regex_verbose_N-gram_Hash_colab_verbose_文本向量化
Linli522362242的专栏
12-06 2032
In the modern internet and social media age, people's opinions, reviews, and recommendations have become a valuable resource for political science and businesses. Thanks to modern technologies, we are now able to collect and analyze such data most eff...
关于机器学习中语音信号的基本概念MFCC/Mel-Filter banks生成
qq_33266320的博客
03-24 7981
内容参考https://blog.csdn.net/zouxy09/article/details/9156785，本文内容只是方便自己下次学习，如有侵权，请联系我进行删除。一、声谱图（Spectrogram）       第一个图是波形图，红色是对波形图里的语音进行分帧，每帧语音都对应于一个频谱（通过短时FFT计算），频谱表示频率与能量的关系。       频谱图有三种，即线性振幅谱、对数振幅谱...
语音处理入门——语音的声学处理
樱缘之梦
09-24 6530
1、
librosa.feature.melspectrogram()
weixin_42187536的博客
12-07 7359
计算Mel scaled 频谱 librosa.filters.mel(sr, n_fft, n_mels=128, fmin=0.0, fmax=None, htk=False, norm=1) 创建一个滤波器组矩阵以将FFT合并成Mel频率 参数： sr ：输入信号的采样率 n_fft ：FFT组件数 n_mels ：产生的梅尔带数 fmin ：最低频率（Hz） fmax：最高频率（以Hz为单位）。如果为None，则使用fmax = sr / 2.0 norm：{None，1，np.in
李宏毅_机器学习_作业4（详解）_HW4 Classify the speakers
loco_monkey的博客
07-12 4941
李宏毅_机器学习_作业4（详解）_HW4 Classify the speakers
librosa | 梅尔谱图最幽默的解释
qq_44250700的博客
06-21 2161
小白进来！Medium的一篇文章，特别幽默地介绍了梅尔谱图，快来一起轻松学习吧！原文：《Getting to Know the Mel Spectrogram》 作者：Dalya Gartzman 时间：2019.08.20阅读这篇短文，如果你想像Neo（电影《黑客帝国》男主角，即上图中的人物）一样，并了解所有关于的信息！（可能不会涵盖到梅尔谱图的全部内容，但至少有一点）我：嗨，梅尔频谱图，我可以叫你吗？梅尔：当然。我：谢谢。所以梅尔，当我们第一次见面时，你对我来说是一个谜。梅尔：真的吗？怎么样？我：，它们
OpenGL ES From the Ground Up, Part 5: Living in a Material World
太阳火神的美丽人生
05-07 2770
WEDNESDAY, MAY 13, 2009 OpenGL ES From the Ground Up, Part 5: Living in a Material World Okay, in the last installment, we talked about lights, how to set them up and what attributes
pyspark系列2-linux安装pyspark
只是甲的博客
04-26 4898
文章目录一.安装Java和Scale1.1 安装java1.2 安装Scala1.2.1 安装1.2.2 配置1.2.3 启动二.安装Apache Spark三.pyspark案例参考: 一.安装Java和Scale 1.1 安装java 因为我这个环境是CDH 6.3.1版本，已经安装了JDK，此次略过。 [root@hp1 ~]# javac -version javac 1.8.0_181 1.2 安装Scala 1.2.1 安装 代码: 官网地址：https://www.scala-lang.or
吴恩达深度学习5.3练习_Sequence Models_Trigger word detection
Hayden的博客
12-31 991
转载自吴恩达老师深度学习课程作业notebook Trigger Word Detection Welcome to the final programming assignment of this specialization! In this week’s videos, you learned about applying deep learning to speech recognitio...
pyTest官方手册(Release 4.2)之蹩脚翻译(6)
crazyskady的博客
02-22 2485
Chapter 10 捕获告警 3.1更新 从V3.1开始，pytest可以自动的捕获测试过程中的告警并在测试完成后显示出来。 # test_show_warnings.py import warnings def api_v1(): warnings.warn(UserWarning("api v1, should use functions from v2")) return...
librosa 语音库（三） librosa.feature. 中的 spectrogram 与 melspectrogram
chumingqian的博客
05-17 6561
窗口的长度与 n_fft 需要匹配大小长度； 1. Mel 语谱图的函数定义 librosa.feature.melspectrogram(函数在spectral.py 中，实现过程为： def melspectrogram(y=None, sr=22050, S=None, n_fft=2048, hop_length=512, power=2.0, **kwargs): S, n_fft = _spectrogram(y=y, S=S, n_fft=n_f
声音识别入门经典模型实践-基于大数据训练CNN14网络实现食物咀嚼声音识别
m0_63642362的博客
12-29 3327
声音识别入门经典模型实践-基于大数据训练CNN14网络实现食物咀嚼声音识别
Ubuntu 14.04报“leaking memory”错误
weixin_34327761的博客
04-12 142
在做一些实验的时候，临时配置了笔记本网卡eth0的IP地址，结果出现了以下错误， $ sudo ifconfig eth0 192.168.2.100/24 no talloc stackframe at ../source3/param/loadparm.c:4864, leaking momroy   在网上找了一下解决方案，说是Samba的问题，以下是解决办法，   $ ...
内存泄露问题
qq_1335857320的博客
01-05 348
内存泄露排查问题
Mel-Filter banks/MFCC特征提取（基于python）
热门推荐
xl928471061的博客
06-07 2万+
最近开始上手语音相关的课题，第一步当然是了解并提取语音相关的特征及其提取，纵览paper，使用最多的莫过于Filter banks和MFCC了，因此就开始上手自己编写代码提取。（当然不是白手起家，参考在http://haythamfayek.com/2016/04/21/speech-processing-for-machine-learning.html） 1.概述 Filter b
解释这段代码：def test(args): if args.arcface: arcface = ArcMarginProduct(128, args.num_class, m=args.m, s=args.s) else: arcface = None clf_dataset = WavSTFTClassifierDataset(args.data_dir, args.sr, param['ID_factor']) test_clf_dataset = clf_dataset.get_dataset(n_mels=args.n_mels, n_fft=args.n_fft, hop_length=args.hop_length, win_length=args.win_length, power=args.power, dataset_type='test')
最新发布
03-20
这段代码定义了一个名为test的函数，它接受一个参数args。如果args中包含一个名为arcface的属性，那么它会创建一个ArcMarginProduct对象并将其赋值给arcface变量，否则arcface变量将为None。接下来，它创建一个WavSTFTClassifierDataset对象，并使用该对象的get_dataset方法创建一个名为test_clf_dataset的数据集。该数据集使用一些参数，如n_mels、n_fft、hop_length、win_length和power，以及一个dataset_type参数来指定数据集类型为'test'。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值