(零基础语音识别task4) 深度学习模型搭建与训练

这一次task的学习内容是CNN框架的基本知识和构建。

1.CNN基本知识

数据输入，经过（多次）卷积池化后，Flatten操作将二维向量拉直为一维向量放入下一层的神经网络中，最后在尾部重新拟合。

关于神经网络的概念：

神经网络就像是一个爱学习的孩子，您教她的知识她是不会忘记而且会学以致用的。我们把学习集（Learning Set）中的每个输入加到神经网络中，并告诉神经网络输出应该是什么分类。在全部学习集都运行完成之后，神经网络就根据这些例子总结出她自己的想法，到底她是怎么归纳的就是一个黑盒了。之后我们就可以把测试集（Testing Set）中的测试例子用神经网络来分别作测试，如果测试通过（比如80%或90%的正确率），那么神经网络就构建成功了。我们之后就可以用这个神经网络来判断事务的分类了。 （引用自百度词条“神经网络”）

类似于人类大脑，神经网络也是通过极多节点连接而完成他自己的判断的。而数据的特征就是神经网络最大的判断依据。我们要做的就是构建CNN框架，训练他，最后让他判断待测数据集里的数据。

这里用了python的Keras库，一个可以进行深度学习模型的设计、调试、评估、应用和可视化的开源人工神经网络库。

# 训练模型
model.fit(X_train, Y_train, epochs = 150, batch_size = 50, validation_data = (X_test, Y_test))

这里Epoch是训练次数，accuracy是准确率，可以看出训练前后准确率提升了很多。

最后测试成功。