如题,来自DataWhale的四月学习计划。。。既不懂Tensorflow也不懂语音识别所以更要冲哈哈哈哈哈哈哈
既然是识别,大体流程还是没太大变化的,分别为
加载深度学习框架
加载音频处理库
特征提取及数据集的建立
建立模型:搭建CNN网络、预测
加载深度学习框架和音视频处理库
这里没啥太多好说的
import pandas as pd
import numpy as np
from sklearn.model_selection import train_test_split
from sklearn.metrics import classification_report
from sklearn.model_selection import GridSearchCV
from sklearn.preprocessing import MinMaxScaler
#看漏了上面这些。。。。待我回来再研究一下
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Conv2D, Flatten, Dense, MaxPool2D, Dropout
from tensorflow.keras.utils import to_categorical
from sklearn.ensemble import RandomForestClassifier#随机树分类
from sklearn.svm import SVC
import os
import librosa
import librosa.display
import glob
这里我省略了一步下载librosa库的步骤。这个库用来处理音频,也可以进行幅度时频转换等。
特征提取及数据库的建立
feature = []
label = []
# 建立类别标签,不同类别对应不同的数字。
label_dict = {'aloe': 0, 'burger': 1, 'cabbage': 2,'candied_fruits':3, 'carrots': 4, 'chips':5,
'chocolate': 6, 'drinks': 7, 'fries': 8, 'grapes': 9, 'gummies': 10, 'ice-cream':11,
'jelly': 12, 'noodles': 13, 'pickles': 14, 'pizza': 15, 'ribs': 16, 'salmon':17,
'soup': 18, 'wings': 19}
label_dict_inv = {v:k for k,v in label_dict.items()}
#上面这句是建立反向字典的意思吗?
from tqdm import tqdm
def extract_features(parent_dir, sub_dirs, max_file=10, file_ext="*.wav"):#特征提取函数
c = 0
label, feature = [], []
for sub_dir in sub_dirs:
for fn in tqdm(glob.glob(os.path.join(parent_dir, sub_dir, file_ext))[:max_file]): # 遍历数据集的所有文件
# segment_log_specgrams, segment_labels = [], []
#sound_clip,sr = librosa.load(fn)
#print(fn)
label_name = fn.split('/')[-2]
label.extend([label_dict[label_name]])
X, sample_rate = librosa.load(fn,res_type='kaiser_fast')
mels = np.mean(librosa.feature.melspectrogram(y=X,sr=sample_rate).T,axis=0) # 计算梅尔频谱(mel spectrogram),并把它作为特征
feature.extend([mels])
return [feature, label]
tqdm: tqdm中的tqdm()是实现进度条美化的基本方法,在for循环体中用tqdm()包裹指定的迭代器或range()即可。简单来说,让进度好看。
梅尔频谱:机器学习中的音频特征:理解Mel频谱图
梅尔频谱让人耳对频率的感知度通过特殊映射成了线性关系。
STFT和声谱图,梅尔频谱(Mel Bank Features)与梅尔倒谱(MFCCs)
parent_dir = './train_sample/'
save_dir = "./"
folds = sub_dirs = np.array(['aloe','burger','cabbage','candied_fruits',
'carrots','chips','chocolate','drinks','fries',
'grapes','gummies','ice-cream','jelly','noodles','pickles',
'pizza','ribs','salmon','soup','wings'])
# 获取特征feature以及类别的label
temp = extract_features(parent_dir,sub_dirs,max_file=100)
temp = np.array(temp)
data = temp.transpose()#三维往上就是转置地狱
# 获取特征
X = np.vstack(data[:, 0])#np.vstack:按垂直方向(行顺序)堆叠数组构成一个新的数组
# 获取标签
Y = np.array(data[:, 1])
print('X的特征尺寸是:',X.shape)
print('Y的特征尺寸是:',Y.shape)
# 在Keras库中:to_categorical就是将类别向量转换为二进制(只有0和1)的矩阵类型表示
Y = to_categorical(Y)
X_train, X_test, Y_train, Y_test = train_test_split(X, Y, random_state = 1, stratify=Y)
print('训练集的大小',len(X_train))
print('测试集的大小',len(X_test))
X_train = X_train.reshape(-1, 16, 8, 1)
X_test = X_test.reshape(-1, 16, 8, 1)#-1固定列数
至此特征也提取了,数据集也构建好了。。。
往下是CNN模型构建和预测,这里基本没啥新意,就不在此赘述了。
补充一点来自别的优秀小伙伴的笔记
原文链接特征提取方法的理解