Machine learning LSTM音乐自动编码器-Keras[序列到序列]

所以，我试图学习大约200首歌曲片段的固定向量表示法（每首歌曲约3-5分钟），并希望使用基于LSTM的序列对其进行自动编码

我正在预处理音频（使用librosa），如下所示：

我首先得到的是一个原始音频信号时间序列，每首歌的形状大约为（1500000，-（2500000）

然后，我将每个原始时间序列分割成若干段，并得到每首歌曲的较低级别的mel谱图矩阵形状（5123000）-（5126000）。这些（512，）向量中的每一个都可以称为“迷你歌曲”，因为它们代表歌曲的一部分

我将所有歌曲的所有这些迷你歌曲垂直堆叠在一起，以创建训练数据（我们称之为X）。X的大小是（51260000），其中第一个维度（512）是窗口大小，第二个维度（600000）是数据集中“迷你歌曲”的总数

也就是说，X中大约有600000首迷你歌曲——X中的每一列代表一首长度为512的迷你歌曲

这些（512，）迷你歌曲向量中的每一个都应该被编码成每首迷你歌曲一个（50，）向量，也就是说，在这个过程结束时，我们将有600000（50，）个向量

在更标准的术语中，我有600000个训练样本，每个样本长度为512。[将其视为类似于图像数据集-600000个图像，每个图像的长度为784，其中图像的分辨率为32x32。我想将512个长度样本视为具有时间属性的序列。]

我阅读了这个示例，并希望在我的用例中扩展它。我想知道

input

层的

timesteps

和

input\u dim

参数应该设置为什么

我正在设置

timesteps=X.shape[0]

（在本例中为512）和

input\u dim=X.shape[1]

（即600000）。这是正确的方法吗

---

编辑：添加了上述澄清

您的输入实际上是1D序列，而不是2D图像。 输入张量为（600000，512，1），您需要将输入尺寸设置为1，时间步长设置为512。

---

形状输入不采用张量的第一维（即，在您的情况下为600000）。

您的输入实际上是1D序列，而不是2D图像。 输入张量为（600000，512，1），您需要将输入尺寸设置为1，时间步长设置为512。

---

形状输入不采用张量的第一个维度（即在您的情况下为600000）。

我认为时间步长应设置为时间关系捕获的合理跨度长度。另一方面，输入_dim应设置为序列中的变量数（如果音频序列随时间为1-D，则设置为1）。你的问题有进展吗？共享代码将更有助于澄清问题：）我认为应该将timesteps设置为时间关系捕获的合理范围。另一方面，输入_dim应设置为序列中的变量数（如果音频序列随时间为1-D，则设置为1）。你的问题有进展吗？共享代码将更有助于澄清问题：）