如何使用TensorFlow构建、训练和改进循环神经网络

in range(train_inputs.shape[0]):

# Pick up to numcontext time slices in the past,

# And complete with empty mfcc features

need_empty_past = max(0, ((time_slices[0] + numcontext) - time_slice))

empty_source_past = list(empty_mfcc for empty_slots in range(need_empty_past))

data_source_past = orig_inputs[max(0, time_slice - numcontext):time_slice]

assert(len(empty_source_past) + len(data_source_past) == numcontext)

...

对于这个 RNN 例子来说，我们在每个窗口应用前后各 9 个时光点——共 19 个时光点。有 26 个倒谱系数，在 25 毫秒的时光里共 494 个数据点。根据数据采样率，我们建议在 16,000 Hz 上有 26 个倒谱特点，在 8,000 Hz 上有 13 个倒谱特点。以下是一个 8,000 Hz 数据的加载窗口：

为了让模型更易获取数据，我们将所稀有据存储为同一格局。每条数据由一个.wav 文件和一个.txt 文件构成。例如：Librispeech 的『211-122425-0059』在 Github 中对应着 211-122425-0059.wav 与 211-122425-0059.txt。这些数据的文件应用数据集对象类被加载到 TensorFlow 图中，如许可以让 TensorFlow 在加载、预处理和载入单批数据时效力更高，节俭 CPU 和 GPU 内存负载。数据集对象中数据字段的示例如下所示：

如不雅你欲望懂得更多有关转换数字音频用于 RNN 语音识其余办法，可以看看 Adam Geitgey 的介绍：http://suo.im/Wkp8B

五、对语音的序列本质建模

长短期记忆(LSTM)是轮回神经收集(RNN)的一种，它实用于对依附经久次序的数据进行建模。它对于时光序列数据的建模异常重要，因为这种办法可以在当前时光点保持以前信息的记忆，大年夜而改良输出结不雅，所以，这种特点对于语音辨认异常有效。如不雅你想懂得在 TensorFlow 中若何实例化 LSTM 单位，以下是受 DeepSpeech 启发的双向轮回神经收集(BiRNN)的 LSTM 层示例代码：

with tf.name_scope('lstm'):  
 
    # Forward direction cell:  
 
    lstm_fw_cell = tf.contrib.rnn.BasicLSTMCell(n_cell_dim, forget_bias=1.0, state_is_tuple=True)  
 
    # Backward direction cell:  
 
    lstm_bw_cell = tf.contrib.rnn.BasicLSTMCell(n_cell_dim, forget_bias=1.0, state_is_tuple=True)  
 
   
 
    # Now we feed `layer_3` into the LSTM BRNN cell and obtain the LSTM BRNN output.  
 
    outputs, output_states = tf.nn.bidirectional_dynamic_rnn(  
 
        cell_fw=lstm_fw_cell,  
 
        cell_bw=lstm_bw_cell,  	
			 3/5   首页 上一页 1 2 3 4 5 下一页 尾页	
			

　　推荐阅读
　　剧透害死猫，黑客利用剧透文件传播病毒!
            
            7月底，黑客大年夜HBO那盗走了《权力的游戏》资本，并在本月初放出泄漏片段。收集安然公司Proofpoint宣布了一份申报，称有人应用泄漏的《权力的游戏》资本来引导用户下载恶意软件，内含RA>>>详细阅读


本文标题：如何使用TensorFlow构建、训练和改进循环神经网络
地址：http://www.17bianji.com/lsqh/37006.html
 1/2    1