代码之家 › 专栏 › 技术社区 › Anaphory

重新初始化数据集后,丢失将返回到起始值

tensorflow-datasets tensorflow python

Anaphory · 技术社区 · 6 年前

我正在用Python Tensorflow对LSTM网络进行音频数据培训。我的数据集是一堆wave文件 read_wavfiles 变成一个发电机 numpy 阵列。我决定尝试用同样的数据集训练我的网络20次,并编写了如下代码。

from with_hyperparams import stft
from model import lstm_network
import tensorflow as tf


def read_wavfile():
    for file in itertools.chain(DATA_PATH.glob("**/*.ogg"),
                                DATA_PATH.glob("**/*.wav")):
        waveform, samplerate = librosa.load(file, sr=hparams.sample_rate)
        if len(waveform.shape) > 1:
            waveform = waveform[:, 1]

        yield waveform    

audio_dataset = Dataset.from_generator(
    read_wavfile,
    tf.float32,
    tf.TensorShape([None]))

dataset = audio_dataset.padded_batch(5, padded_shapes=[None])

iterator = tf.data.Iterator.from_structure(dataset.output_types,
                                           dataset.output_shapes)
dataset_init_op = iterator.make_initializer(dataset)

signals = iterator.get_next()

magnitude_spectrograms = tf.abs(stft(signals))

output, loss = lstm_network(magnitude_spectrograms)

train_op = tf.train.AdamOptimizer(1e-3).minimize(loss)

init_op = tf.global_variables_initializer()

with tf.Session() as sess:
    sess.run(init_op)
    for i in range(20):
        print(i)
        sess.run(dataset_init_op)

        while True:
            try:
                l, _ = sess.run((loss, train_op))
                print(l)
            except tf.errors.OutOfRangeError:
                break

完整的代码,包括使用的足够免费的数据(Wikipedia声音文件和IPA转录),是 on github

非自由数据(EMU corpus声音文件)确实有很大的不同,尽管我不确定如何向您展示它:

在整个数据集上运行脚本时,输出从迭代0开始,损失约5000,然后在数据集上减少到约1000。接下来是 1
当交换订单到 DATA_PATH.glob("**/*.wav"), DATA_PATH.glob("**/*.ogg") 损失开始在5000以下,下降到1000左右,然后又上升到4000 *.ogg

重新排序示例会得到不同的结果,因此WAV文件看起来比OGG文件更相似。我有一个想法,洗牌应该理想地发生在数据集级别,而不是依赖于它被随机顺序读取。然而,这意味着要将大量wav文件读入内存,这听起来不是一个好的解决方案。

我的代码应该是什么样子?

2 回复 | 直到 6 年前

Philip DiSarro 6 年前

这看起来像是架构上的问题。首先,您正在动态生成数据,尽管这是一种常用的技术,但并不总是最合理的选择。这是因为:

它的缺点之一 Dataset.from_generator() 正在重新整理结果数据集对于大小为n的无序缓冲区,需要加载n个示例。这个将在管道中创建周期性暂停(大n)或

最好将数据转换为numpy数组,然后将numpy数组存储在磁盘上用作数据集,如下所示:

def array_to_tfrecords(X, y, output_file):
  feature = {
    'X': tf.train.Feature(float_list=tf.train.FloatList(value=X.flatten())),
    'y': tf.train.Feature(float_list=tf.train.FloatList(value=y.flatten()))
  }
  example = tf.train.Example(features=tf.train.Features(feature=feature))
  serialized = example.SerializeToString()

  writer = tf.python_io.TFRecordWriter(output_file)
  writer.write(serialized)
  writer.close()

这将需要 Dataset.from_generator 组件不在问题中。然后可以使用以下命令读取数据:

def read_tfrecords(file_names=("file1.tfrecord", "file2.tfrecord", "file3.tfrecord"),
                   buffer_size=10000,
                   batch_size=100):
  dataset = tf.contrib.data.TFRecordDataset(file_names)
  dataset = dataset.map(parse_proto)
  dataset = dataset.shuffle(buffer_size)
  dataset = dataset.repeat()
  dataset = dataset.batch(batch_size)
  return tf.contrib.data.Iterator.from_structure(dataset.output_types, dataset.output_shapes)

这将确保您的数据被彻底洗牌,并提供更好的结果。

另外,我相信您会从一些数据预处理中受益。首先,尝试将数据集中的所有文件转换为标准化的WAVE表单,然后将该数据保存到TFRecord。目前,您正在将它们转换为WAVE并使用librosa标准化采样率,但这并不能标准化通道。相反,请尝试使用如下函数:

from pydub import AudioSegment
def convert(path):

    #open file (supports all ffmpeg supported filetypes) 
    audio = AudioSegment.from_file(path, path.split('.')[-1].lower())

    #set to mono
    audio = audio.set_channels(1)

    #set to 44.1 KHz
    audio = audio.set_frame_rate(44100)

    #save as wav
    audio.export(path, format="wav")

最后,您可能会发现,将声音文件作为浮点读取不符合您的最佳利益。你应该考虑尝试以下方法:

import scipy.io.wavfile as wave
import python_speech_features as psf
def getSpectrogram(path, winlen=0.025, winstep=0.01, NFFT=512):

    #open wav file
    (rate,sig) = wave.read(path)

    #get frames
    winfunc=lambda x:np.ones((x,))
    frames = psf.sigproc.framesig(sig, winlen*rate, winstep*rate, winfunc)

    #Magnitude Spectrogram
    magspec = np.rot90(psf.sigproc.magspec(frames, NFFT))

    #noise reduction (mean substract)
    magspec -= magspec.mean(axis=0)

    #normalize values between 0 and 1
    magspec -= magspec.min(axis=0)
    magspec /= magspec.max(axis=0)

    #show spec dimensions
    print magspec.shape    

    return magspec

然后应用如下函数:

#convert file if you need to
convert(filepath)

#get spectrogram
spec = getSpectrogram(filepath)

这将把WAVE文件中的数据解析成图像,然后您就可以用处理任何图像分类问题的方法来处理这些图像。

Ekaba Bisong 6 年前

请试试这个:

添加 dataset.shuffle(buffer_size=1000)
隔离对的调用 loss 每次训练后进行评估。

更新到输入管道

dataset = audio_dataset.padded_batch(5, padded_shapes=[None])
dataset = dataset.shuffle(buffer_size=1000)
iterator = tf.data.Iterator.from_structure(dataset.output_types,
                                           dataset.output_shapes)
dataset_init_op = iterator.make_initializer(dataset)
signals = iterator.get_next()

with tf.Session() as sess:
    sess.run(init_op)

    for i in range(20):
        print(i)
        sess.run(dataset_init_op)

        while True:
            try:
                sess.run(train_op)
            except tf.errors.OutOfRangeError:
                break

        # print loss for each epoch
        l = sess.run(loss)
        print(l)

如果我可以访问一些数据样本,我可能能够提供更精确的帮助。现在,我在这里瞎工作,无论如何,一定要让我知道这是否有效。