python - 为 CNN(音频识别)转换 MFCC 频谱图的输入

Question

我有一个音频数据集，我已经转换了这些音频介绍 MFCCs 情节像这样一个:



现在我想喂我的神经网络

import tensorflow as tf
import tensorflow.keras as tfk
import tensorflow.keras.layers as tfkl

cnn_model = tfk.Sequential(name='CNN_model')
cnn_model.add(tfkl.Conv1D(filters= 225, kernel_size= 11, padding='same', activation='relu', input_shape=(4500,9000, 3)))
cnn_model.add(tfkl.BatchNormalization())
cnn_model.add(tfkl.Bidirectional(tfkl.GRU(200, activation='relu', return_sequences=True, implementation=0)))
cnn_model.add(tfkl.Dropout(0.2))
cnn_model.add(tfkl.BatchNormalization())
cnn_model.add(tfkl.TimeDistributed(tfkl.Dense(20)))
cnn_model.add(tfkl.Dropout(0.2))
cnn_model.add(tfkl.Softmax())
cnn_model.compile(loss='mae', optimizer='Adam', metrics=['mae'])

cnn_model.summary()

我使用 Conv1D 因为是这种 NN 中使用的层。但我不知道如何将 图像的数据转换为 CNN 的输入。我自己尝试了几次转换，但都没有奏效。

如下图所示，我需要输入 Conv1D 的第一层，但我不能，因为我的图像的形状是 (4500, 9000, 3) 。所以基本上， 我想要做的是在输入 中转换这个图像，以与下图相同的方式输入 为 Conv1D。



此图像表示传递给 NN 的 1 个音频。

显然，当我将具有这种形状的图像传递给 Conv1D 层时，我有一个 ValueError ValueError: Input 0 of layer conv1d_4 is incompatible with the layer: expected ndim=3, found ndim=4. Full shape received: [None, 4500, 9000, 3]
我将我的图像传递给灰度 ，但这不是方法，我丢失了宝贵的信息。

Answer 1

我觉得您并没有将其视为典型的语音识别问题。因为我在你的方法中发现了几个奇怪的选择。

我注意到的问题

MFCC 操作的输出形状。

如果你看看 librosa.feature.mfcc ，这就是它所说的，

Returns: M:np.ndarray [shape=(n_mfcc, t)]

如您所见，这里没有 channel 。有输入维度 ( n_mfcc ) 和时间维度 ( t )。因此，您应该可以直接使用 Conv1D 而无需任何预处理。

SoftMax 之前的 Dropout

这就是你的算法尾部的样子，

cnn_model.add(tfkl.TimeDistributed(tfkl.Dense(20)))
cnn_model.add(tfkl.Dropout(0.2))
cnn_model.add(tfkl.Softmax())

就个人而言，我没有使用过在最后一层使用 dropout 的人。所以我会摆脱它。因为 dropout 会随机切换神经元。但是您希望随时打开所有输出节点。

损失函数

通常， CTC 用于优化语音识别模型。我(个人)还没有看到有人使用 mae 作为语音模型的损失。因为，您的输入数据和标签数据通常具有未对齐的时间维度。这意味着，并不总是有对应于预测的每个时间步长的标签。这就是 CTC 损失的亮点。这可能就是您想要用于此模型的内容(除非您 100% 确定每个预测都有一个标签并且它们完全对齐)。

话虽如此，损失取决于您要解决的问题。但是我将包含一个示例，说明如何将这种损失用于此问题。

一个工作示例

数据集

为了展示一个工作示例，我将使用 this 语音数据集。我选择这个是因为，由于问题的简单性，我可以很快得到一个好的结果。

输入:音频

输出:标签 0-9

MFCC 变换

然后您可以对音频文件执行 MFCC，您将获得以下热图。正如我之前所说，这将是一个二维矩阵 (n_mfcc, timesteps) 大小的数组。有了批处理维度，它变成了 (batch size, n_mfcc, timesteps) 。



以下是您如何可视化上述内容。这里，y 是通过 librosa.core.load() 函数加载的音频。

y = audios[aid][1][0]
sr = audios[aid][1][1]
mfcc = librosa.feature.mfcc(y=y, sr=sr, n_mfcc=20)
print(mfcc.shape)

plt.figure(figsize=(6, 4))
librosa.display.specshow(mfcc, x_axis='time')
plt.colorbar()
plt.title('MFCC')
plt.tight_layout()

创建训练/测试数据

接下来，您可以创建训练和测试数据。这就是我创造的。

train_data - (sample size, timesteps, n_mfcc) 大小的数组

train_labels = (sample size, timesteps, num_classes) 大小的数组

train_inp_lengths - (sample size, )` 大小数组(用于 CTC 损失)

train_seq_lengths - (sample size, )` 大小数组(用于 CTC 损失)

test_data - (sample size, timesteps, n_mfcc) 大小的数组

test_labels = (sample size, timesteps, num_classes+1) 大小的数组

test_inp_lengths - (sample size, )` 大小数组(用于 CTC 损失)

test_seq_lengths - (sample size, )` 大小数组(用于 CTC 损失)

我正在使用以下映射将字符转换为数字

alphabet = 'abcdefghijklmnopqrstuvwxyz '
a_map = {} # map letter to number
rev_a_map = {} # map number to letter
for i, a in enumerate(alphabet):
  a_map[a] = i
  rev_a_map[i] = a

label_map = {0:'zero', 1:'one', 2:'two', 3:'three', 4:'four', 5:'five', 6:'six', 7: 'seven', 8: 'eight', 9:'nine'}

要注意的事情很少。

请注意， mfcc 操作返回 (n_mfcc, time) 。您必须进行轴排列才能将其转换为 (time, n_mfcc) 格式。这样卷积就发生在时间维度上。

我还必须确保标签具有与输入完全相同的时间步数(这对于 ctc_loss 不是必需的)。但这是由 keras 模型定义强制执行的要求。这是通过在每个字符序列的末尾添加空格来完成的。

定义模型

我已从顺序 API 更改为功能 API，因为我需要包含多个输入层才能使 ctc_loss 工作。此外，我摆脱了最后一个 dropout 层。

def ctc_loss(inp_lengths, seq_lengths):
    def loss(y_true, y_pred):
        l = tf.reduce_mean(K.ctc_batch_cost(tf.argmax(y_true, axis=-1), y_pred, inp_lengths, seq_lengths))        
        return l            
    return loss

K.clear_session()
inp = tfk.Input(shape=(10,50))
inp_len = tfk.Input(shape=(1))
seq_len = tfk.Input(shape=(1))
out = tfkl.Conv1D(filters= 128, kernel_size= 5, padding='same', activation='relu')(inp)
out = tfkl.BatchNormalization()(out)
out = tfkl.Bidirectional(tfkl.GRU(128, return_sequences=True, implementation=0))(out)
out = tfkl.Dropout(0.2)(out)
out = tfkl.BatchNormalization()(out)
out = tfkl.TimeDistributed(tfkl.Dense(27, activation='softmax'))(out)
cnn_model = tfk.models.Model(inputs=[inp, inp_len, seq_len], outputs=out)
cnn_model.compile(loss=ctc_loss(inp_lengths=inp_len , seq_lengths=seq_len), optimizer='Adam', metrics=['mae'])

训练模型

然后你只需调用，

cnn_model.fit([train_data, train_inp_lengths, train_seq_lengths], train_labels, batch_size=64, epochs=20)

这给了，

Train on 900 samples
Epoch 1/20
900/900 [==============================] - 3s 3ms/sample - loss: 11.4955 - mean_absolute_error: 0.0442
Epoch 2/20
900/900 [==============================] - 2s 2ms/sample - loss: 4.1317 - mean_absolute_error: 0.0340
...
Epoch 19/20
900/900 [==============================] - 2s 2ms/sample - loss: 0.1162 - mean_absolute_error: 0.0275
Epoch 20/20
900/900 [==============================] - 2s 2ms/sample - loss: 0.1012 - mean_absolute_error: 0.0277

使用模型进行预测

y = cnn_model.predict([test_data, test_inp_lengths, test_seq_lengths])

n_ids = 5

for pred, true in zip(y[:n_ids,:,:], test_labels[:n_ids,:,:]):
  pred_ids = np.argmax(pred,axis=-1)
  true_ids = np.argmax(true, axis=-1)
  print('pred > ',[rev_a_map[tid] for tid in pred_ids])
  print('true > ',[rev_a_map[tid] for tid in true_ids])

这给，

pred >  ['e', ' ', 'i', 'i', 'i', 'g', 'h', ' ', ' ', 't']
true >  ['e', 'i', 'g', 'h', 't', ' ', ' ', ' ', ' ', ' ']

pred >  ['o', ' ', ' ', 'n', 'e', ' ', ' ', ' ', ' ', ' ']
true >  ['o', 'n', 'e', ' ', ' ', ' ', ' ', ' ', ' ', ' ']

pred >  ['s', 'e', ' ', ' ', ' ', ' ', ' ', ' ', 'v', 'e']
true >  ['s', 'e', 'v', 'e', 'n', ' ', ' ', ' ', ' ', ' ']

pred >  ['z', 'e', ' ', ' ', ' ', ' ', ' ', 'r', 'o', ' ']
true >  ['z', 'e', 'r', 'o', ' ', ' ', ' ', ' ', ' ', ' ']

pred >  ['n', ' ', ' ', 'i', 'i', 'n', 'e', ' ', ' ', ' ']
true >  ['n', 'i', 'n', 'e', ' ', ' ', ' ', ' ', ' ', ' ']

要消除中间的重复字母和空格，请使用 ctc_decode 函数，如下所示。

y = cnn_model.predict([test_data, test_inp_lengths, test_seq_lengths])

sess = K.get_session()
pred = sess.run(tf.keras.backend.ctc_decode(y, test_inp_lengths[:,0]))

rev_a_map[-1] = '-'

for pred, true in zip(pred[0][0][:n_ids,:], test_labels[:n_ids,:,:]):
  print(pred.shape)  
  true_ids = np.argmax(true, axis=-1)
  print('pred > ',[rev_a_map[tid] for tid in pred])
  print('true > ',[rev_a_map[tid] for tid in true_ids])

这给了，

pred >  ['e', 'i', 'g', 'h', 't']
true >  ['e', 'i', 'g', 'h', 't', ' ', ' ', ' ', ' ', ' ']

pred >  ['o', 'n', 'e', '-', '-']
true >  ['o', 'n', 'e', ' ', ' ', ' ', ' ', ' ', ' ', ' ']

pred >  ['s', 'e', 'i', 'v', 'n']
true >  ['s', 'e', 'v', 'e', 'n', ' ', ' ', ' ', ' ', ' ']

pred >  ['z', 'e', 'r', 'o', '-']
true >  ['z', 'e', 'r', 'o', ' ', ' ', ' ', ' ', ' ', ' ']

pred >  ['n', 'i', 'n', 'e', '-']
true >  ['n', 'i', 'n', 'e', ' ', ' ', ' ', ' ', ' ', ' ']

请注意，我添加了一个新标签 -1 。这是 ctc_decode 函数添加的用于表示任何空白的东西。