Skip to content

Latest commit

 

History

History
91 lines (55 loc) · 4.64 KB

README.md

File metadata and controls

91 lines (55 loc) · 4.64 KB
Raw

Mô hình dự đoán giọng nói vùng miền

1. Cấu trúc

Thư mục bao gồm các file/thư mục con:

  • preprocess.py: convert các file về .wav, sample rate = 16000, mono.

  • train.py: train model.

  • inference.py: dự đoán các files mới trong một thư mục, ví dụ ./data/private_test/.

  • split.py: phân chia dữ liệu cho tập huấn luyện (training set) và tập xác thực (validation set).

  • data.py: tạo vector đặc trưng và DataLoader.

  • nets.py: định nghĩa các mạng neuron.

  • predicts.py: các hàm phục vụ việc dự đoán.

  • utils.py: các hàm phụ trợ khác.

  • config.py: các thông số mô hình và đường dẫn tới các thư mục chứa dữ liệu.

  • ./saved_model: thư mục chứa các model.

  • ./csv_data: thư mục chứa các file csv về đường dẫn tới file và nhãn tương ứng:

    • training_groundtruth: dữ liệu train.

    • test_groundtruth: dữ liệu public test.

2. Dự đoán các file trong một thư mục mới

Nếu chỉ muốn dự đoán nhãn của các file trong thư mục mới, giả sử ./data/private_test/, các bước thực hiện như sau:

  1. Mở file config.py thay đổi các biến:
BASE_ORIGINAL_PRIVATE_TEST = './data/private_test/'
BASE_PRIVATE_TEST = './data/wav' + RATE + '/private_test/'
INFER_ONLY = True

trong đó, BASE_ORIGINAL_PRIVATE_TEST là đường dẫn tới thư mục đó và BASE_PRIVATE_TEST là đường dẫn tới thư mục chứa các file âm thanh đã được convert sang sample rate 16000, mono. INFER_ONLY = True để chỉ convert các file cần dự đoán. Biến này cần được gán bằng False nếu muốn huấn luyện lại từ đầu.

  1. Chạy python preprocess.py để convert các file ra wav, 16000, mono.

  2. Chạy python inference.py. Sau khi chạy xong file này, kết quả sẽ được lưu vào ./result/submission.csv

3. Huấn luyện mô hình

Nếu muốn huấn luyện mô hình lại từ đầu, cần làm theo các bước:

  1. Mở file config.py, sửa các dòng:
BASE_ORIGINAL_TRAIN = './data/train/'
BASE_ORIGINAL_PUBLIC_TEST = './data/public_test/'
INFER_ONLY = False

trong đó BASE_ORIGINAL_TRAIN là đường dẫn tới thư mục chứa training file, BASE_ORIGINAL_PUBLIC_TEST là đường dẫn tới các thư mục chứa public test file.

  1. Chạy python preprocess.py

  2. Chạy:

python train.py -r 3
python train.py -r 5
python train.py -r 7
python train.py -r 9
python train.py -r 77

trong đó -r 3 để tạo các random_state khác nhau cho các hàm sinh ngẫu nhiên. Các số 3, 5, 7, 9, 77 có thể là các số int bất kỳ, miễn là chúng khác nhau. Các tham số mô hình khác có thể được điều chỉnh trong file train.py.

  1. Sau khi chạy xong, các model sẽ được lưu trong saved_model.

  2. Nếu muốn sử dụng các model mới được train này để dự đoán, ta cần đưa các đường dẫn của các model vào biến model_path_fns trong file inference.py

4. Hướng giải quyết bài toán

  1. Chuẩn hóa các file bằng cách đưa chúng về cùng waveform 16000, mono.

  2. Với mỗi file, một đoạn dài 1.5 giây được cắt ra ngẫu nhiên để tạo đặc trưng. Nếu file ngắn hơn 1.5 giây, ta bù thêm các giá trị bằng 0 về hai phía. Số giá trị bằng 0 ở mỗi phía là ngẫu nhiên sao cho tổng độ dài của đoạn là 1.5 giây. Con số 1.5 có thể được thay đổi qua biến duration trong file train.py. Các thí nghiệm cho thấy 1.5 cho kết quả khá tốt.

  3. Với mỗi đoạn 1.5 giây được cắt ra, tạo đặc trưng log_specgram như trong file data.py. Đặc trưng này là một ma trận hai chiều. Ma trận này được resize về kích thước 224x224 rồi lặp lại ba lần để được một mảng ba chiều 3x224x224. Mảng ba chiều này được coi như một bức ảnh màu để đưa vào mạng ResNet18. Mỗi bức ảnh này được gán nhãn của file audio mà đoạn 1.5 giây được cắt ra.

  4. Khi dự đoán một file âm thanh mới, ta cắt ngẫu nhiên ra nhiều đoạn 1.5 giây khác nhau. Dùng các mô hình đã được huấn luyện để dự đoán từng đoạn. Lấy tổng các score (trước khi thực hiện softmax để tìm xác suất). Lớp tương ứng với score cao nhất sẽ tương ứng với nhãn của file âm thanh.

Star nếu bạn thấy repo hữu ích :-) -- Tiep Vu --