多标签声音识别任务内容

《神经网络与深度学习》期末大作业

问题描述

建立深度学习模型，对给定的测试音频文件，进行分类
本次大作业提供了 20 个类别的训练数据和测试数据
训练集说明：训练集包含 20 个类别，1300+ 音频文件（大部分音频时长 5s，有些音频片段不足 5s）
测试集说明：
- 测试集的每个音频文件时长为 5 秒，单个音频中可能是鸟叫声，也可能不包含任何训练集中的类别的声音。如果测试音频不包含训练集中的20个类别，则输出标签为0。
- 测试集包含 2 个独立的子集（一个容易一些，一个难一些），需要对这两个子集分开测试并给出评价指标的数值。

首先将每个ogg转换成具有高通滤波器的梅尔频谱图，然后将其转换成数据集（dataset）。

使用 efficientnet-b3 模型进行对数据集进行预训练.

在每个训练周期中，函数会遍历训练数据，对每批数据进行前向传播、计算损失、反向传播和优化步骤。同时，它还会计算每个周期的损失和准确率，并保存最佳模型的权重。

在所有训练周期结束后，函数会保存最佳模型，并返回训练损失和最佳模型的权重。

使用验证集对模型进行验证，计算模型的准确率和损失。

最终 acc 为 48.20%。

将测试集中的音频文件转换成梅尔频谱图，然后使用训练好的模型进行预测。