Python Keras批量加载声音实例
我需要帮助,试图找出如何使用Keras实现批量加载 到目前为止,我正在尝试与Keras CNN合作制作歌曲分类器。我已经建立了以下10种类型分类的模型Python Keras批量加载声音实例,python,keras,Python,Keras,我需要帮助,试图找出如何使用Keras实现批量加载 到目前为止,我正在尝试与Keras CNN合作制作歌曲分类器。我已经建立了以下10种类型分类的模型 model = Sequential() model.add(Conv1D(16, 5, padding="same", input_shape=(1, 661500))) model.add(Activation("relu")) model.add(MaxPool1D(pool_size=2, padding="same")) model
model = Sequential()
model.add(Conv1D(16, 5, padding="same", input_shape=(1, 661500)))
model.add(Activation("relu"))
model.add(MaxPool1D(pool_size=2, padding="same"))
model.add(Conv1D(16, 5, padding="same"))
model.add(Activation("relu"))
model.add(MaxPool1D(pool_size=2, padding="same"))
model.add(Conv1D(16, 5, padding="same"))
model.add(Activation("relu"))
model.add(MaxPool1D(pool_size=2, padding="same"))
model.add(Flatten())
model.add(Dense(128))
model.add(Activation("relu"))
model.add(Dense(10))
model.add(Activation("softmax"))
model.compile(optimizer="adam",
loss="categorical_crossentropy",
metrics=["accuracy"])
当我自己加载实例和标签时,它可以工作,但我的计算机无法一次处理1000首歌曲。我尝试使用ImageDataGenerator从目录中使用flow\批量加载它们。代码如下:
generator = ImageDataGenerator()
train_generator = generator.flow_from_directory("train",
target_size=(1, 661500),
batch_size=64,
class_mode="categorical")
test_generator = generator.flow_from_directory("test",
target_size=(1, 661500),
batch_size=64,
class_mode="categorical")
model.fit_generator(train_generator,
steps_per_epoch=5584,
epochs=10,
validation_data=test_generator,
validation_steps=1861)
我遇到了音频文件不是图像的问题,所以我在中的白名单文件格式中添加了.wav
\keras\Lib\site-packages\keras\preprocessing\image.py
这让Keras可以找到音频图像,但它无法真正打开它们。我改变了用枕头打开它们的位置,但它给出了更多的错误。我不认为我可以全部改变它们,所以我想知道是否有一种方法可以实现批量加载
编辑:我找到了Keras,我实现了一个Keras,如下所示
class MySequence(Sequence):
def __init__(self, x_files, y_files, batch_size):
self.x, self.y = x_files, y_files
self.batch_size = batch_size
def __len__(self):
from numpy import ceil
return int(ceil(len(self.x) / float(self.batch_size)))
def __getitem__(self, idx):
from librosa import load
from numpy import array, expand_dims
batch_x = self.x[idx * self.batch_size:(idx + 1) * self.batch_size]
batch_y = self.y[idx * self.batch_size:(idx + 1) * self.batch_size]
return expand_dims(array([load(file_name)[0] for file_name in batch_x]), axis=1), array(batch_y)
这一次火车的时间长得可笑。以前,10个纪元在3小时内完成,但现在一个纪元需要14小时。我能做些什么来缩短火车时间吗
编辑2:更改了fit_generator函数中的steps_per_epoch参数,它已降至可接受的水平。这里的问题似乎是IO。也许可以用pickle之类的东西序列化数据,看看培训是否会更快
每个历元的步长只需减少历元中的步长。因此,您的训练不会更快,只是没有在每个历元中使用所有数据。我假设每个历元的步长应该是样本计数/批量大小。当我训练将所有数据加载到RAM并使用fit函数时,训练进度将写入批次大小/样本计数[=============>…]。你能解释一下为什么在使用序列训练和常规训练时会有所不同吗?如何使用序列实现正常的训练过程。我从未使用过每个历元的步长,但使用序列时,模型函数不知道批大小。它只是从序列中接收数据,所以它无法判断第一个维度是bathc_大小还是其他。因此,它计算调用/序列的数量。\uuuu len\uuuuu(不是100%确定)。条形图之外的数字与使用普通拟合函数不同,但这在训练中不会有任何区别。根据我所能理解的,步长是序列的多少倍。uuu getitem_uuuuuuuuu被称为批大小*步长每历元=样本计数,好像我将其保留为默认值,keras将其设置为该值。谢谢你的帮助。