1

現在、ニューラル ネットワークの入力として提供できるように、いくつかのオーディオ ファイルをサンプリングしてフレーミングしています。私はLibrosaを使用してオーディオをサンプリングし、それをフレーミングしています。特にフレーミングは非常に重要です。これは、これがニューラルネットワークのニーズの入力として供給されているためです。つまり、長さが一貫している必要があり、現在の問題のようです. フレーム。

現在、次のようにサンプリングしてフレーミングしています。

def load_sound_files(file_paths , data_input):
    raw_sounds = []
    data_output = []
    for fp in file_paths:
        y,sr = librosa.load(fp)
        X = librosa.util.frame(y)
        raw_sounds.append(X)
return raw_sounds

各オーディオ ファイルはリストに追加され、リスト内の各エントリには各フレームの配列があります。raw_sounds の情報は次のように保存されます。

[array([[frame],[frame],...,[frame]],dtype=float32), ...]

サイズの異なるフレームに問題があるようです。各オーディオ ファイルの長さは異なりますが、同じ設定でフレーム化するため、各フレームは同じである必要がありますが、これらの印刷デバッグによるとそうではありません。

print len(raw_sounds)
print len(raw_sounds[0])
print len(raw_sounds[0][0])
print len(raw_sounds[0][1])
print '\n'
print len(raw_sounds[1])
print len(raw_sounds[1][0])
print len(raw_sounds[1][1])

出力：

270
2048
121
121


96
96

設定が間違っていますか？または私はここで何か間違っていますか？

生サンプル:

[array([[ -1.58969939e-04,   2.85098387e-04,   2.57675620e-05,
          5.58408792e-04,   2.09050399e-04,   3.10504751e-04,
          7.08066545e-06,   6.51864902e-05,   4.64069366e-04,
         -1.03915379e-04,  -2.09252365e-04,   9.58807232e-06,
         -3.70743481e-04,  -2.73781188e-04,   1.47478888e-03,
         -1.24523379e-02,  -1.38171474e-02,   1.42919633e-03,
          2.60417676e-03,  -9.49124712e-03,   1.84055939e-02,
          5.30609104e-04,  -2.02661729e-03,  -1.09214883e-03,
         -2.67810683e-04,  -9.33001807e-04,   1.57146193e-02,
          3.06987576e-02,  -2.89204344e-02,   8.31141882e-03,
         -5.22559392e-04,   9.57424170e-04,  -1.39959985e-02,
         -2.45519826e-04,   7.94889964e-03,  -2.45057382e-02,
          2.76992898e-02,   2.75033060e-03,   1.91110268e-03,
          2.65958859e-03,   4.22360376e-04,   2.87338579e-03,
          3.60440137e-03,  -6.81304885e-03,   1.19333845e-02,
          5.27647883e-03,  -8.81725773e-02,  -1.10511519e-02,
          1.67427063e-02,   4.18979749e-02,  -1.76561251e-02,
          1.40228057e-02,  -6.56250417e-02,   8.04386102e-04,
          6.77016005e-03,   8.95334259e-02,  -3.07568144e-02,
         -5.68932574e-03,   2.80798669e-03,  -1.94037147e-03,
         -6.80876488e-04,  -7.51503045e-04,   1.61860569e-03,
         -8.96663638e-04,   1.05839630e-03,   4.16457013e-04,
         -1.14849303e-03,   2.51941121e-04,   1.09347668e-04,
         -9.77083837e-05,  -9.70639754e-04,   1.23860082e-03,
         -5.82281128e-03,  -7.96582922e-03,   1.05014764e-01,
          8.55111331e-03,   1.02730282e-02,  -1.64158875e-03,
         -9.96976532e-03,  -1.54927105e-03,  -1.33159547e-03,
          2.07886100e-03,  -9.63974337e-04,   1.92957837e-03,
         -9.57471970e-03,   8.37739408e-02,  -2.46925298e-02,
          1.15760174e-02,   1.53850103e-02,   1.39159057e-02,
          7.28045590e-04,   1.28218243e-02,   2.47708824e-03,
          3.64710722e-05,   2.31177593e-03,  -3.88215925e-03,
          2.85943900e-03,   3.40921571e-03,   8.19356064e-04,
          1.31994265e-03,  -4.02768754e-04,  -3.73146904e-04,
         -2.45199517e-05,  -1.40402978e-03,  -4.53661755e-03,
         -8.06837995e-03,  -3.07087135e-03,   5.65649476e-04,
          8.99529332e-05,   9.43572959e-04,   1.52094246e-04,
         -9.59860045e-04,   2.72397720e-03,   1.27405506e-02,
         -9.37244575e-03,  -1.79420076e-02,   1.07235732e-02,
          2.84450967e-03,   4.49513178e-03,   2.41923026e-05,
         -3.13379533e-05],
4

1 に答える 1

1

librosa のドキュメントから、これは次のようにutil.frame()返されます。

Returns:    
    y_frames : np.ndarray [shape=(frame_length, N_FRAMES)]
    An array of frames sampled from y: y_frames[i, j] == y[j * hop_length + i]

したがって、得られるのは 2 次元配列です。最初raw_sounds[0]にロードしたサウンド ファイルも同様で、2 次元で扱うことができます。代わりに形状を使用してサイズを取得する必要があります。

print raw_sounds[0].shape

1 つのフレームを取得するには、この表記を使用します。result[0][:, nf]ここでnfはフレームの番号です。

要求時に得られるraw_sounds[0][0]数値はフレーム数であり、サウンド サンプルのサイズによって異なります。したがって、正しく動作しているようです。

于 2016-11-05T18:01:03.483 に答える