共计 7585 个字符,预计需要花费 19 分钟才能阅读完成。
作者 |Ayisha D
编译 |VK
起源 |Towards Data Science
这篇文章中,咱们探讨从语音数据中提取的特色,以及基于这些特色构建模型的不同办法。
语音数字 (Spoken digits) 数据集是 Tensorflow 语音数据集的一个子集,它包含数字 0 - 9 之外的其余录音。在这里,咱们只关注辨认书面语数字。
数据集能够按如下形式下载。
data = download_url("http://download.tensorflow.org/data/speech_commands_v0.01.tar.gz", "/content/")
with tarfile.open('/content/speech_commands_v0.01.tar.gz', 'r:gz') as tar:
tar.extractall(path='./data')
Downloading http://download.tensorflow.org/data/speech_commands_v0.01.tar.gz to /content/speech_commands_v0.01.tar.gz
HBox(children=(FloatProgress(value=1.0, bar_style='info', max=1.0), HTML(value='')))
digit = ['zero', 'one', 'two', 'three', 'four', 'five', 'six', 'seven', 'eight', 'nine']
for x in digit:
print(x, ":", len(os.listdir('/content/data/'+x)))
#均衡
zero : 2376
one : 2370
two : 2373
three : 2356
four : 2372
five : 2357
six : 2369
seven : 2377
eight : 2352
nine : 2364
评估指标
数字相当均衡,每个类有大概 2300 个样本。因而,准确度是评估模型性能的一个很好的指标。准确度是正确预测数与总预测数的比拟。
对于不均衡的数据集,这不是一个很好的性能度量,因为少数类可能会黯然失色。
循环学习率
在训练一个模型时,学习率逐步升高,以对训练进行微调。为了进步学习效率,能够采纳循环学习率。在这里,学习率在不同期间的最小值和最大值之间稳定,而不是枯燥降落。
初始训练率对模型的性能至关重要,低训练率可避免在训练开始时被卡住,随后的稳定克制了部分极小值的状况。
该我的项目有三种分类办法:
- 应用五个提取的特色进行 Logistic 回归剖析,准确率为 76.19%。
- 仅应用 MFCCs 的 Logistic 回归 - 准确率为 95.56%。
- CNN 应用 Mel 谱图 - 准确率为 95.81%。
通过扭转 epoch 和训练率对模型进行重复训练。暗藏层的数量和每个层中的节点也各不相同。这里形容了每种办法的最佳架构和超参数。因为训练和验证集划分的随机性,再训练的精确度可能略有不同。
我的项目的源代码在这里:https://github.com/AyishaR/Sp…
有五个.ipynb 文件:
- 特征提取 - 提取三种办法所需的 CSV 文件和特色。
- 特色可视化 - 在每个类中绘制特色图。
- Spokendigit 五个特色 - 应用五个提取的特色实现逻辑回归。
- Spokendigit MFFC- 应用 MFCC 实现逻辑回归。
- Spokendigit CNN- 应用 Mel 谱图实现 CNN。
1. 应用五个提取特色的 Logistic 回归
特色
提取的特色包含:
- Mel Frequency Cepstral Coefficients (MFCCs)- 依据人类听觉零碎的响应(Mel 尺度)距离的频带组成声音的频谱示意的系数。
- Chroma - 与 12 个不同的音高等级无关。
- Mel spectrogram的平均值 - 基于 Mel 标度的 Mel 谱图。
- Spectral Contrast- 示意谱的质心。
- Tonnetz - 代表音调空间。
这些特色是大小为(20,)(12,)(128,)(7,)和(6,)的 NumPy 数组。这些连接起来造成一个大小为(173,)的特色数组。标签被附加到数组的头部,并写入每个记录的 CSV 文件中。
def extract_features(files):
data, sr = librosa.load('/content/data/'+files.File)
mfccs = np.mean(librosa.feature.mfcc(y = data, sr=sr).T, axis = 0)
stft = np.abs(librosa.stft(data))
chroma = np.mean(librosa.feature.chroma_stft(S = stft, sr = sr).T, axis = 0)
mel = np.mean(librosa.feature.melspectrogram(data, sr).T, axis = 0)
contrast = np.mean(librosa.feature.spectral_contrast(S = stft, sr = sr).T, axis = 0)
tonnetz = np.mean(librosa.feature.tonnetz(y = librosa.effects.harmonic(data), sr = sr).T, axis = 0)
#print(mfccs.shape, stft.shape, chroma.shape, mel.shape, contrast.shape, tonnetz.shape)
row = np.concatenate((mfccs, chroma, mel, contrast, tonnetz), axis = 0).astype('float32')
csvwriter.writerow(np.concatenate(([digit.index(files.Label)], row)))
模型
线性回归模型共有 1 个输出层、2 个暗藏层和 1 个带 ReLu 激活的输入层。
class SpokenDigitModel(nn.Module):
def __init__(self):
super().__init__()
self.l1 = nn.Linear(173, 1024)
self.l2 = nn.Linear(1024, 512)
self.l3 = nn.Linear(512, 64)
self.l4 = nn.Linear(64, 10)
def forward(self, x):
x = F.relu(self.l1(x))
x = F.relu(self.l2(x))
x = F.relu(self.l3(x))
x = self.l4(x)
return x
def training_step(self, batch):
inputs, labels = batch
outputs = self(inputs)
loss = F.cross_entropy(outputs, labels)
return loss
def validation_step(self, batch):
inputs, labels = batch
outputs = self(inputs)
loss = F.cross_entropy(outputs, labels)
_, pred = torch.max(outputs, 1)
accuracy = torch.tensor(torch.sum(pred==labels).item()/len(pred))
return [loss.detach(), accuracy.detach()]
训练
model = to_device(SpokenDigitModel(), device)
history = []
evaluate(model, val_dl)
{'accuracy': 0.10285229980945587, 'loss': 3.1926627159118652}
history.append(fit(model, train_dl, val_dl, 64, 0.01))
r = evaluate(model, val_dl)
yp, yt = predict_dl(model, val_dl)
print("Loss:", r['loss'], "\nAccuracy:", r['accuracy'], "\nF-score:", f1_score(yt, yp, average='micro'))
Loss: 2.0203850269317627
Accuracy: 0.7619398832321167
F-score: 0.7586644125105664
该模型在 CPU 上训练约 3 分钟,准确率为 76.19%。
plot(losses, 'Losses')
从最小值开始,最终验证损失缓缓变大。
plot(accuracies, 'Accuracy')
以上为准确率曲线
plot(last_lr, 'Last Learning Rate')
以上为每一 epoch 的学习率曲线
2. 仅应用 MFCCs 的 Logistic 回归
特色
该模型仅应用 Mel 频率倒谱系数(MFCCs)。这个特色是一个大小为(20,)的 NumPy 数组。它从蕴含上述所有特色的 CSV 文件中检索。
模型
线性回归模型共有 1 个输出层、2 个暗藏层和 1 个带 ReLu 激活的输入层。
class SpokenDigitModel(nn.Module):
def __init__(self):
super().__init__()
self.l1 = nn.Linear(20, 1024)
self.l2 = nn.Linear(1024, 512)
self.l3 = nn.Linear(512, 64)
self.l4 = nn.Linear(64, 10)
def forward(self, x):
x = F.relu(self.l1(x))
x = F.relu(self.l2(x))
x = F.relu(self.l3(x))
x = self.l4(x)
return x
def training_step(self, batch):
inputs, labels = batch
outputs = self(inputs)
loss = F.cross_entropy(outputs, labels)
return loss
def validation_step(self, batch):
inputs, labels = batch
outputs = self(inputs)
loss = F.cross_entropy(outputs, labels)
_, pred = torch.max(outputs, 1)
accuracy = torch.tensor(torch.sum(pred==labels).item()/len(pred))
return [loss.detach(), accuracy.detach()]
训练
model = to_device(SpokenDigitModel(), device)
history = []
evaluate(model, val_dl)
{'accuracy': 0.08834186941385269, 'loss': 8.290132522583008}
history.append(fit(model, train_dl, val_dl, 128, 0.001))
r = evaluate(model, val_dl)
yp, yt = predict_dl(model, val_dl)
print("Loss:", r['loss'], "\nAccuracy:", r['accuracy'], "\nF-score:", f1_score(yt, yp, average='micro'))
Loss: 0.29120033979415894
Accuracy: 0.9556179642677307
F-score: 0.9556213017751479
该模型在 CPU 上训练约 10 分钟,准确率为 95.56%。
mfcc 是基于 Mel 尺度的,在 Mel 尺度中,频率是依据人的听觉反馈而不是线性尺度来分组的。人耳是一个通过考验的语音识别系统,因而 Mel 尺度给出了很好的后果。
另一方面,mfcc 容易受到背景噪声的影响,因而在解决洁净的语音数据(无噪声或最小噪声)时成果最好。
plot(losses, 'Losses')
以上是验证集损失曲线
plot(accuracies, 'Accuracy')
以上是验证集准确率曲线
plot(last_lr, 'Last Learning Rate')
以上是每个 epoch 最初学习率的曲线
3. 应用 Mel 谱图图像的 CNN。
特色
该模型应用了 Mel 谱图。Mel 谱图是将频率转换为 Mel 标度的谱图。这些特色从录音中提取并存储在驱动器中。这花了 4.5 个多小时。
def extract_mel(f, label):
data, sr = librosa.load('/content/data/'+label+'/'+f)
fig = plt.figure(figsize=[1,1])
ax = fig.add_subplot(111)
ax.axes.get_xaxis().set_visible(False)
ax.axes.get_yaxis().set_visible(False)
ax.set_frame_on(False)
S = librosa.feature.melspectrogram(y=data, sr=sr)
librosa.display.specshow(librosa.power_to_db(S, ref=np.max), x_axis='time', y_axis='mel', fmin=50, fmax=280)
file = '/content/drive/My Drive/Dataset/spokendigit/'+label+'/' + str(f[:-4]) + '.jpg'
plt.savefig(file, dpi=500, bbox_inches='tight',pad_inches=0)
plt.close()
模型
class SpokenDigitModel(nn.Module):
def __init__(self):
super().__init__()
self.network = nn.Sequential(nn.Conv2d(3, 16, kernel_size=3, padding=1),
nn.ReLU(),
nn.MaxPool2d(2, 2),
nn.Conv2d(16, 32, kernel_size=3, stride=1, padding=1),
nn.ReLU(),
nn.MaxPool2d(2, 2),
nn.Conv2d(32, 64, kernel_size=3, stride=1, padding=1),
nn.ReLU(),
nn.MaxPool2d(2, 2),
nn.Conv2d(64, 128, kernel_size=3, stride=1, padding=1),
nn.ReLU(),
nn.MaxPool2d(2, 2),
nn.Conv2d(128, 128, kernel_size=3, stride=1, padding=1),
nn.ReLU(),
nn.MaxPool2d(2, 2),
nn.Conv2d(128, 256, kernel_size=3, stride=1, padding=1),
nn.ReLU(),
nn.AdaptiveAvgPool2d(1),
nn.Flatten(),
nn.Linear(256, 128),
nn.ReLU(),
nn.Linear(128, 64),
nn.ReLU(),
nn.Linear(64, 10),
nn.Sigmoid())
def forward(self, x):
return self.network(x)
def training_step(self, batch):
inputs, labels = batch
outputs = self(inputs)
loss = F.cross_entropy(outputs, labels)
return loss
def validation_step(self, batch):
inputs, labels = batch
outputs = self(inputs)
loss = F.cross_entropy(outputs, labels)
_, pred = torch.max(outputs, 1)
accuracy = torch.tensor(torch.sum(pred==labels).item()/len(pred))
return [loss.detach(), accuracy.detach()]
训练
model = to_device(SpokenDigitModel(), device)
history = []
evaluate(model, val_dl)
{'accuracy': 0.09851787239313126, 'loss': 2.3029427528381348}
history.append(fit(model, train_dl, val_dl, 128, 0.001))
r = evaluate(model, val_dl)
yp, yt = predict_dl(model, val_dl)
print("Loss:", r['loss'], "\nAccuracy:", r['accuracy'], "\nF-score:", f1_score(yt, yp, average='micro'))
Loss: 1.492598056793213
Accuracy: 0.9581243991851807
F-score: 0.9573119188503804
该模型在 Colab GPU 上训练约 5 小时,准确率为 95.81%。
高准确率能够再次归因于 Mel 标度。
plot(losses, 'Losses')
以上是验证集损失曲线
plot(accuracies, 'Accuracy')
以上是验证集准确度曲线
plot(last_lr, 'Last Learning Rate')
以上是每个 epoch 最初学习率的曲线
参考
- https://musicinformationretri…
- https://github.com/jurgenarias/Portfolio/tree/master/Voice%20Classification/Code
- https://arxiv.org/abs/1506.01186
- https://en.wikipedia.org/wiki…
原文链接:https://towardsdatascience.co…
欢送关注磐创 AI 博客站:
http://panchuang.net/
sklearn 机器学习中文官网文档:
http://sklearn123.com/
欢送关注磐创博客资源汇总站:
http://docs.panchuang.net/