學習目標：

1 基于CNN的分類模型：參考圖片分類的形式，將不同聲音的頻譜做分類。
2 基于LSTM的分類模型：通過數據預處理、特征提取、劃分數據集以及訓練模型等步驟給聲音數據做分類。

---

學習內容：

1. 下載數據集

使用阿里云的天池資源，創建Data Science Workshop Notebook。
運行下列代碼進行下載
注釋：！的意思是用終端運行

環境要求：

• TensorFlow版本：2.0+

• Keras
  Keras是一個高層神經網絡API，Keras由純Python編寫而成并基Tensorflow、Theano以及CNTK后端。Keras 為支持快速實驗而生，能夠把你的idea迅速轉換為結果。Kears的優勢：

  • 簡易和快速的原型設計（keras具有高度模塊化，極簡，和可擴充特性）

  • 支持CNN和RNN，或二者的結合

  • 無縫CPU和GPU切換

• Sklearn

• librosa

!wget http://tianchi-competition.oss-cn-hangzhou.aliyuncs.com/531887/train_sample.zip!unzip -qq train_sample.zip !\rm train_sample.zip!wget http://tianchi-competition.oss-cn-hangzhou.aliyuncs.com/531887/test_a.zip!unzip -qq test_a.zip !\rm test_a.zip

2. 導入庫

2.1基本庫

pandas, numpy, sklearn

2.1.導入分類模型所需要的庫

2.2 加載音頻處理庫

首先要安裝librosa

!pip install librosa --user

然后導入其他庫

import os import librosa import librosa.display import glob

3.跑通了！（慶祝）

這是特征提取

接下來我就獲取到了聲音的特征并輸出最終數據
在建立模型之前確定訓練集和測試集很重要
所以！
就把訓練集設為750，把測試集設為250吧！

我開始建立CNN模型

開始訓練啦！

（部分截圖）

預測測試集

這一部分我覺得是用來校驗訓練結果的，輸入預測集然后和預測集進行比較

學習時間：

2021年4月12日-4月14日

---

學習路徑

阿里云天池新人賽，DataWhale
聲音識別入門

---

學習產出：

接觸了天池的DSW，對特征提取，模型建立有了初步的認識。 基本跑通了Baseline-1（CNN）。

總結

以上是生活随笔為你收集整理的零基础入门机器学习——声音识别——打卡Task1的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。