ML2023Spring - HW02 相关信息：

1.任务目标（回归）

Phoneme Classification 音素分类（识别）

训练/测试数据大小：3429/857（2116794/527364 frames）每个 frames 25ms，相邻 frames 间隔 10ms，1s 可以划分出 100 个frames，单个 frames 最后被处理为 39 维的 MFCC (Mel Frequency Cepstral Coefficients)

Label：41，对应 phoneme

2.性能指标（Metric）

分类精度

3.数据解析

train_split.txt: 其中每一行对应一个训练数据，其所对应的文件在feat/train/中
train_labels.txt: 由训练数据和labels组成，格式为: filename labels。其中，label 为 frame 对应的 phoneme
test_split.txt: 其中每一行对应一个训练数据，其所对应的文件在feat/test/中
feat/train/{id}.pt 和 feat/test/{id}.pt: 音频对应的 MFCC w/ CMVN，维度为39，这些文件可以通过torch.load()直接导入，导入后的shape为(T, 39)。

4. Baselines

根据作业 PDF 中的提示：

Simple Baseline (0.49798)
运行所给的 sample code。
Medium Baseline (0.66440)
连接 n 个frames。
具体选择多少个 frames 呢？HW02 PDF 中给出的样例是 11 个，查询相关专业知识后有下表
注意到英文中 phoneme 的持续时间都小于 11 个frames（11*25=275ms)。你可以根据专业知识自行选择，比如说你想再联系前后两个 phoneme 的信息来做预测，那设置成 15 也可以，这些由你自己去确定，从实验中获得更好的选择。
增加网络的隐藏层。
下图是我一开始记录的一些实验结果，仅简单的增加了层数和神经元个数便达到了 Medium Baseline（最终记录的是 Kaggle 上的分数），你可以根据自己的情况更进一步的优化它。

Strong Baseline (0.74944)
在 BasicBlock() 中增加 batchnorm 和 dropout 层。

增大 concat_nframes。

5.个人完整代码分享

https://github.com/holyeyes8/HUNG-YI_LEE_Machine-Learning_Homework/blob/master/HW02.ipynb

可以在colab上面正常运行

5.1 数据准备

# !pip install --upgrade gdown

# # Main link
# # 如果你已经从其他地方下载了数据集，则不需要执行该代码块
# !gdown --id '1qzCRnywKh30mTbWUEjXuNT2isOCAPdO1' --output libriphone.zip

# !unzip -q libriphone.zip
# !ls libriphone
import os
!git clone https://oauth2:[email protected]/datasets/Datawhale/HW2-DNN-libriphone.git
os.chdir('./HW2-DNN-libriphone')
!unzip -q ml2023spring-hw2.zip

将libriphone目录移动到相应位置

5.2 运行结果

5.2.1 acc/train

5.2.2 acc/valid

5.3.3 lr

参考：
https://blog.csdn.net/weixin_42426841/article/details/129764858

转载自CSDN-专业IT技术社区

原文链接：https://blog.csdn.net/weixin_44626085/article/details/151896970