零基础入门语音识别-食物声音识别[Task 4]

Task4 食物声音识别之深度学习

1 前情回顾

Task1 食物声音识别之Baseline学习
Task2 食物声音识别之赛题数据介绍与分析
Task3 食物声音识别之音频数据特征提取

2 建立深度学习模型

Keras是一个由Python编写的开源人工神经网络库，可以作为Tensorflow、Microsoft-CNTK和Theano的高阶应用程序接口，进行深度学习模型的设计、调试、评估、应用和可视化。支持快速实验，能够把你的idea迅速转换为结果，如果有如下需求，可以优先选择Keras：

• 简易和快速的原型设计（keras具有高度模块化，极简，和可扩充特性）
• 支持CNN和RNN，或二者的结合
• 无缝CPU和GPU切换

关于Keras的可以参考官方指南：https://keras.io/guides/，也可以参考https://blog.csdn.net/zdy0_2004/article/details/74736656

2.1 学习框架

对于Keras有两种模型函数，最简单的模型是 Sequential 顺序模型，它由多个网络层线性堆叠。对于更复杂的结构，你应该使用 Keras 函数式 API，它允许构建任意的神经网络图。

Sequential模型可以直接通过如下方式搭建：

from keras.models import Sequential
model = Sequential()

2.2 CNN网络

典型的CNN网络基本架构如下所示：

上述过程在Task1 食物声音识别之Baseline学习中有提及，这里不再赘述。对于Keras操作中，可以简单地使用 .add() ，将需要搭建的神经网络的layer堆砌起来，像搭积木一样：

后续进一步看官网的指南文件来写学习笔记：https://pytorch.org/docs/stable/generated/torch.nn.Conv2d.html#torch.nn.Conv2d

# 输入的大小从何而来？
input_dim = (16, 8, 1) 
# CNN网络
model.add(Conv2D(64, (3, 3), padding = "same", activation = "tanh", input_shape = input_dim))# 卷积层
model.add(MaxPool2D(pool_size=(2, 2)))# 最大池化
model.add(Conv2D(128, (3, 3), padding = "same", activation = "tanh")) #卷积层
model.add(MaxPool2D(pool_size=(2, 2))) # 最大池化层
model.add(Dropout(0.1))
model.add(Flatten()) # 展开
model.add(Dense(1024, activation = "tanh"))
model.add(Dense(20, activation = "softmax")) # 输出层：20个units输出20个类的概率

如果需要，你还可以进一步地配置你的优化器.complies()。Keras 的核心原则是使事情变得相当简单，同时又允许用户在需要的时候能够进行完全的控制（终极的控制是源代码的易扩展性）。

# 编译模型，设置损失函数，优化方法以及评价标准
model.compile(optimizer = 'adam', loss = 'categorical_crossentropy', metrics = ['accuracy'])

3 模型训练与测试

这一部分在Task1 食物声音识别之Baseline学习里已经有代码和过程记录可以参考，这里就不再赘述。