重新初始化数据集后，损失回升到起始值

Question

我正在 Python Tensorflow 中针对音频数据训练 LSTM 网络。我的数据集是一堆波形文件，read_wavfiles 变成了numpy 数组的生成器。我决定尝试用相同的数据集训练我的网络 20 次，并编写了如下代码。

from with_hyperparams import stft
from model import lstm_network
import tensorflow as tf


def read_wavfile():
    for file in itertools.chain(DATA_PATH.glob("**/*.ogg"),
                                DATA_PATH.glob("**/*.wav")):
        waveform, samplerate = librosa.load(file, sr=hparams.sample_rate)
        if len(waveform.shape) > 1:
            waveform = waveform[:, 1]

        yield waveform    

audio_dataset = Dataset.from_generator(
    read_wavfile,
    tf.float32,
    tf.TensorShape([None]))

dataset = audio_dataset.padded_batch(5, padded_shapes=[None])

iterator = tf.data.Iterator.from_structure(dataset.output_types,
                                           dataset.output_shapes)
dataset_init_op = iterator.make_initializer(dataset)

signals = iterator.get_next()

magnitude_spectrograms = tf.abs(stft(signals))

output, loss = lstm_network(magnitude_spectrograms)

train_op = tf.train.AdamOptimizer(1e-3).minimize(loss)

init_op = tf.global_variables_initializer()

with tf.Session() as sess:
    sess.run(init_op)
    for i in range(20):
        print(i)
        sess.run(dataset_init_op)

        while True:
            try:
                l, _ = sess.run((loss, train_op))
                print(l)
            except tf.errors.OutOfRangeError:
                break

完整的代码，包括使用的足够免费的数据（带有 IPA 转录的维基百科声音文件），是 on github。

非免费数据（EMU 语料库声音文件）确实有很大的不同，但我不确定如何向您展示：

• 在整个数据集上运行脚本时，输出从迭代 0 开始，损失约为 5000，然后在整个数据集上减少到约 1000。然后出现 1 表示第二个循环的行，突然损失又在 5000 左右。
• 将订单交换到 DATA_PATH.glob("**/*.wav"), DATA_PATH.glob("**/*.ogg") 时，损失从 5000 以下开始下降到 1000 左右，然后对于 *.ogg 样本再次跃升至 4000。

重新排序样本会给我一个不同的结果，所以看起来 WAV 文件比 OGG 文件更相似。我有一个概念，洗牌应该理想地发生在数据集的级别，而不是依赖于以随机顺序读取它。但是，这意味着将大量 wav 文件读入内存，这听起来不是一个好的解决方案。

我的代码应该是什么样的？

Answer 1

请试试这个：

• 将dataset.shuffle(buffer_size=1000) 添加到输入管道。
• 隔离对 loss 的调用以在每个训练周期后进行评估。

如下图：

更新输入管道

dataset = audio_dataset.padded_batch(5, padded_shapes=[None])
dataset = dataset.shuffle(buffer_size=1000)
iterator = tf.data.Iterator.from_structure(dataset.output_types,
                                           dataset.output_shapes)
dataset_init_op = iterator.make_initializer(dataset)
signals = iterator.get_next()

更新会话

with tf.Session() as sess:
    sess.run(init_op)

    for i in range(20):
        print(i)
        sess.run(dataset_init_op)

        while True:
            try:
                sess.run(train_op)
            except tf.errors.OutOfRangeError:
                break

        # print loss for each epoch
        l = sess.run(loss)
        print(l)

如果我可以访问一些数据样本，我或许能够提供更准确的帮助。目前，我在这里盲目工作，无论如何，如果这可行，请告诉我。

Answer 2

这看起来像是架构中的一个问题。首先，您正在随时随地生成数据，尽管这是一种常用的技术，但并不总是最合理的选择。这是因为：

Dataset.from_generator() 的缺点之一是对结果数据集进行洗牌 使用大小为 n 的 shuffle 缓冲区需要加载 n 个示例。这 将在您的管道中创建周期性暂停（大 n）或 导致潜在的不良洗牌（小 n）。

将您的数据转换为 numpy 数组，然后将 numpy 数组存储在磁盘上以用作您的数据集，如下所示：

def array_to_tfrecords(X, y, output_file):
  feature = {
    'X': tf.train.Feature(float_list=tf.train.FloatList(value=X.flatten())),
    'y': tf.train.Feature(float_list=tf.train.FloatList(value=y.flatten()))
  }
  example = tf.train.Example(features=tf.train.Features(feature=feature))
  serialized = example.SerializeToString()

  writer = tf.python_io.TFRecordWriter(output_file)
  writer.write(serialized)
  writer.close()

这将使Dataset.from_generator 组件脱离问题。然后可以通过以下方式读取数据：

def read_tfrecords(file_names=("file1.tfrecord", "file2.tfrecord", "file3.tfrecord"),
                   buffer_size=10000,
                   batch_size=100):
  dataset = tf.contrib.data.TFRecordDataset(file_names)
  dataset = dataset.map(parse_proto)
  dataset = dataset.shuffle(buffer_size)
  dataset = dataset.repeat()
  dataset = dataset.batch(batch_size)
  return tf.contrib.data.Iterator.from_structure(dataset.output_types, dataset.output_shapes)

这应该可以确保您的数据被彻底打乱并提供更好的结果。

此外，我相信您会从一些数据预处理中受益。对于初学者，请尝试将数据集中的所有文件转换为标准化的 WAVE 格式，然后将该数据保存到 TFRecord。目前，您正在将它们转换为 WAVE 并使用 librosa 标准化采样率，但这并未标准化通道。而是尝试使用如下函数：

from pydub import AudioSegment
def convert(path):

    #open file (supports all ffmpeg supported filetypes) 
    audio = AudioSegment.from_file(path, path.split('.')[-1].lower())

    #set to mono
    audio = audio.set_channels(1)

    #set to 44.1 KHz
    audio = audio.set_frame_rate(44100)

    #save as wav
    audio.export(path, format="wav")

最后，您可能会发现将声音文件作为浮点数读取并不符合您的最佳利益。您应该考虑尝试以下方法：

import scipy.io.wavfile as wave
import python_speech_features as psf
def getSpectrogram(path, winlen=0.025, winstep=0.01, NFFT=512):

    #open wav file
    (rate,sig) = wave.read(path)

    #get frames
    winfunc=lambda x:np.ones((x,))
    frames = psf.sigproc.framesig(sig, winlen*rate, winstep*rate, winfunc)

    #Magnitude Spectrogram
    magspec = np.rot90(psf.sigproc.magspec(frames, NFFT))

    #noise reduction (mean substract)
    magspec -= magspec.mean(axis=0)

    #normalize values between 0 and 1
    magspec -= magspec.min(axis=0)
    magspec /= magspec.max(axis=0)

    #show spec dimensions
    print magspec.shape    

    return magspec

然后像这样应用函数：

#convert file if you need to
convert(filepath)

#get spectrogram
spec = getSpectrogram(filepath)

这会将 WAVE 文件中的数据解析为图像，然后您可以像处理任何图像分类问题一样处理这些图像。