李宏毅机器学习作业2——音位分类预测

目录

数据集

导包

辅助函数

设定种子

数据预处理

数据集加载

定义模型

训练函数

读取数据集和训练

读取数据集

训练

删除内存中的数据，节省空间

预测

预测函数

进行预测

解答

hidden_layers=7，hidden_dim=256

hidden_layers=12，hidden_dim=512

讨论

更宽还是更深

学习率的影响

batch size影响

---

数据集

音位分类预测（Phoneme classification），通过语音数据，预测音位。音位（phoneme），是人类某一种语言中能够区别意义的最小语音单位，是音位学分析的基础概念。每种语言都有一套自己的音位系统。

一帧frame设定为长25ms的音段，每次滑动10ms截得一个frame。每个frame经过MFCC
处理，变成长度为39的向量。对于每个frame向量，数据集都提供了标签。标签有41类, 每个类代表一个phoneme 

整个训练集是train-clean-100数据集的子集（LibriSpeech），总共有2644158个frame，经过预处理，这些frame被整合进了4268个pt文件

比如，使用作业代码中的load_feat函数，将19-198-0008.pt读入后得到一个tensor变量，它的形状是[284, 39]，在train_labels.txt文件中找到19-198-0008这一行，共包含284个数字标签。

同理，测试集总共有646268个frame，被整合成1078个pt文件

地址：ML2022Spring-hw2 | Kaggle

导包

import numpy as np
import os
import random
import pandas as pd
import torch
from tqdm import tqdm
import torch
from torch.utils.data import Dataset
from torch.utils.data import