的存在，我想創建Keras音頻分類系統，該系統簡單地確定一個給定的樣本是否含有人的聲音或沒有。沒有其他的。這將是我第一次嘗試機器學習。音頻分類與Keras：人聲
此音頻預處理器存在。它聲稱不會做，但它已經分叉了幾聲：
https://github.com/drscotthawley/audio-classifier-keras-cnn
我不明白這其中是如何工作的，但我已經準備好試一試：
https://github.com/keunwoochoi/kapre
但是，讓我們說，我得到了那些工作，將在過程的其餘部分是類似的圖像分類嗎？基本上，我從來沒有完全理解何時使用Softmax以及何時使用ReLu。如果我將數據映射爲張量，這與聲音會如何相似？
聲音可以被看作是一維圖像並且與一維卷積工作。 通常情況下，擴張的卷積可以做一個好工作，看到Wave Nets
聲音也可以被看作是序列和與RNN層工作（但也許他們在爲數據量是太笨重）
對於您的情況下，您只需要一個輸出，並在最後激活'sigmoid'，並且'binary_crossentropy'損失。
當使用 'SOFTMAX'？
的SOFTMAX功能是很好的，你只需要一個類，結果多類問題（不是你的情況下）。 softmax函數的所有結果總和爲1.其意圖就像每個類的概率。
它主要用在最後一層，因爲你只能得到類作爲最終結果。
這是很好的情況下，當只有一個類是正確的。在這種情況下，虧損categorical_crossentropy。
RELU和這些都不是很統治模式
中部其他激活。有很多可能性。我經常在圖像卷積模型中看到relu。
要知道的重要事情是他們的「範圍」。他們的輸出有什麼限制？
謝謝！我會開始做的。 我想我明白了。我的最終結果會給人類語音帶來0到某個最大值的可能性。 Sigmoid將從0到1歸一化。然後，由我來確定0和1之間的哪個值確實意味着存在人聲。 – eje211
通常，您可以創建「真實標籤」或從某個數據集加載它們。所有帶有人聲的樣本都歸類爲1，並且所有沒有人類語音的樣本歸類爲0.然後，用這些數據進行訓練，並且您的模型會帶來某種發生語音的可能性。粗略地說，當你的模型預測接近於零的東西時，它沒有聲音，當它預測接近1的東西時，就有聲音。如果你的模型預測中間的東西，那麼你的模型不是很確定.... –
通常情況下是非常有用的預處理音頻頻譜：
以此爲輸入，可以使用傳統的圖像分類方法（如卷積神經網絡）。在你的情況下，你可以將輸入音頻劃分爲大約20ms-100ms的幀（取決於你需要的時間分辨率），然後將這些幀轉換爲譜圖。卷積網絡也可以與週期性單元結合考慮更大的時間背景。
另外，也可以培養使用1D卷積原始波形神經網絡。然而研究表明，使用頻率變換的預處理方法通常會獲得更好的結果。
我還在開發一個應用程序來確定給定的樣本是否包含人聲（而不是任何其他可能的聲音）。你在凱拉斯取得了不錯的成績嗎？ – felipeduque
@ eje211你可以分享你的進度代碼嗎？我正在處理類似的問題。如果我在狗皮上訓練模型，我想要模型來確定狗皮在測試文件中的位置。 –
我在之前的工作中這樣做過。我不再有權訪問代碼。抱歉。但是我的僱主對我的追求並不感興趣，所以我並沒有走得太遠。 – eje211