创建特性后，在创建 UBM 期间 Sidekit 代码冻结

Question

我一直在尝试运行 UBM.EM_Split() 函数。我创建了一个功能文件 feat.h5 (3.8 MB)，它存储了 24 个音频文件的功能。我尝试将此功能文件用作函数中 feature_list 参数的输入。但是，代码已经运行了超过 72 小时，没有任何输出或响应。仔细观察，代码被冻结的代码行如下：

# Wait for all the tasks to finish
        queue_in.join()

这是我使用的代码（它基于 sidekit 网站上的 UBM 教程）：

import sidekit
import os

#Read all the files in the directory
all_files = os.listdir("D:/DatabaseFiles/Sidekit/")

extractor = sidekit.FeaturesExtractor(audio_filename_structure="D:/DatabaseFiles/Sidekit/{}",
                                      feature_filename_structure="D:/Sidekit/Trial/feat.h5",
                                      sampling_frequency=16000,
                                      lower_frequency=200,
                                      higher_frequency=3800,
                                      filter_bank="log",
                                      filter_bank_size=24,
                                      window_size=0.04,
                                      shift=0.01,
                                      ceps_number=20,
                                      vad="snr",
                                      snr=40,
                                      pre_emphasis=0.97,
                                      save_param=["vad", "energy", "cep", "fb"],
                                      keep_all_features=True)

#To iterate through a whole list
for x in all_files:
    extractor.save(x)

server = sidekit.FeaturesServer(feature_filename_structure="D:/Sidekit/Trial/feat.h5",
                                sources=None,
                                dataset_list=["vad", "energy", "cep", "fb"],
                                feat_norm="cmvn",
                                global_cmvn=None,
                                dct_pca=False,
                                dct_pca_config=None,
                                sdc=False,
                                sdc_config=None,
                                delta=True,
                                double_delta=True,
                                delta_filter=None,
                                context=None,
                                traps_dct_nb=None,
                                rasta=True,
                               keep_all_features=True)

ubm = sidekit.Mixture()

ubm.EM_split(features_server=server,
             feature_list="D:/Sidekit/Trial/feat.h5",
             distrib_nb=32,
             iterations=(1, 2, 2, 4, 4, 4, 4, 8, 8, 8, 8, 8, 8),
             num_thread=10,
             save_partial=True,
             ceil_cov=10,
             floor_cov=1e-2
             )

我还根据一位经验丰富的用户 (feature_list = all_files) 的建议尝试了以下函数调用。但是，这也没有解决问题。

ubm.EM_split(features_server=server,
             feature_list=all_files,
             distrib_nb=32,
             iterations=(1, 2, 2, 4, 4, 4, 4, 8, 8, 8, 8, 8, 8),
             num_thread=10,
             save_partial=True,
             ceil_cov=10,
             floor_cov=1e-2
             )

我在 Windows 和 Linux 环境中都遇到了同样的问题。两个系统都有 32 GB RAM，并且 mpi 设置为 true。

你知道我做错了什么吗？包含 24 个音频文件的特征（feat.h5 为 3.8 MB）的 h5 文件是否需要这么长时间？

Answer 1

我对您的代码进行了一些调整，并设法使用我作为任意训练数据撒谎的一些 wav 文件来训练 UBM。

编辑我的数据的目录路径后，您的代码成功提取了这些特征。在运行 EM_split 部分时，它失败了，可能是因为与您的错误相同。

问题比较简单，与特征提取器生成的 HDF5 文件的内部目录结构有关。似乎 FeaturesServer 对象在解释文件列表时不是很灵活。因此，一种选择可能是编辑源代码 (features_server.py)。但是，最简单的解决方法是将功能文件列表更改为 FeaturesServer 可以按原样解释的内容。

特征提取：

import sidekit
import os
import numpy as np

# Setting parameters
nbThread = 4 # change to desired number of threads
nbDistrib = 32 # change to desired final number of Gaussian distributions
base_dir = "./Database/sidekit_data"
wav_dir = os.path.join(base_dir, "wav")
feature_dir = os.path.join(base_dir, "feat")

# Prepare file lists 
all_files = os.listdir(wav_dir)
show_list = np.unique(np.hstack([all_files]))
channel_list = np.zeros_like(show_list, dtype = int)

# 1: Feature extraction
extractor = sidekit.FeaturesExtractor(audio_filename_structure=os.path.join(wav_dir, "{}"),
                                      feature_filename_structure=os.path.join(feature_dir, "{}.h5"),
                                      sampling_frequency=16000,
                                      lower_frequency=200,
                                      higher_frequency=3800,
                                      filter_bank="log",
                                      filter_bank_size=24,
                                      window_size=0.04,
                                      shift=0.01,
                                      ceps_number=20,
                                      vad="snr",
                                      snr=40,
                                      pre_emphasis=0.97,
                                      save_param=["vad", "energy", "cep", "fb"],
                                      keep_all_features=True)


extractor.save_list(show_list=show_list,
                    channel_list=channel_list,
                    num_thread=nbThread)

现在，训练数据中的每个 wav 文件都有一个 HDF5 文件。不是很优雅，因为你可以只用一个来管理，但它确实有效。函数 extractor.save_list() 很有用，因为它允许运行多个进程，这将大大加快特征提取速度。

我们现在可以训练 UBM：

# 2: UBM Training
ubm_list = os.listdir(os.path.join(base_dir, "feat")) # make sure this directory only contains the feature files extracted above
for i in range(len(ubm_list)):
    ubm_list[i] = ubm_list[i].split(".h5")[0]

server = sidekit.FeaturesServer(feature_filename_structure=os.path.join(feat_dir, "{}.h5"),
                                sources=None,
                                dataset_list=["vad", "energy", "cep", "fb"],
                                feat_norm="cmvn",
                                global_cmvn=None,
                                dct_pca=False,
                                dct_pca_config=None,
                                sdc=False,
                                sdc_config=None,
                                delta=True,
                                double_delta=True,
                                delta_filter=None,
                                context=None,
                                traps_dct_nb=None,
                                rasta=True,
                                keep_all_features=True)


ubm = sidekit.Mixture()


ubm.EM_split(features_server=server,
             feature_list=ubm_list,
             distrib_nb=nbDistrib,
             iterations=(1, 2, 2, 4, 4, 4, 4, 8, 8, 8, 8, 8, 8),
             num_thread=nbThread,
             save_partial=True,
             ceil_cov=10,
             floor_cov=1e-2
             )

我建议在末尾添加以下行以保存您的 UBM：

ubm_dir = os.path.join(base_dir, "ubm")
ubm.write(os.path.join(ubm_dir, "ubm_{}.h5".format(nbDistrib)))

来了！让我知道这是否适合您。特征提取和模型训练耗时不到 10 分钟。 （Ubuntu 14.04、Python 3.5.3、Sidekit v 1.2、30 分钟的训练数据，采样率为 16kHz）。