如何在用于语音情感识别的 LSTM 模型中屏蔽填充

Question

给定一些 .wav 音频文件目录，我根据 3D 数组（批次、步骤、特征）提取了它们的特征。

就我而言，训练数据集是 (1883,100,136)。基本上，每个音频都被分析了 100 次（假设为 1fps），每次都提取了 136 个特征。但是，这些音频文件的长度不同，因此其中一些无法分析 100 次。

例如，其中一个音频有 50 组 136 个特征作为有效值，因此其余 50 组用零填充。

这是我的模型。

def LSTM_model_building(units=200,learning_rate=0.005,epochs=20,dropout=0.19,recurrent_dropout=0.2):
    model = tf.keras.models.Sequential()
    model.add(tf.keras.layers.Bidirectional(LSTM(units, dropout=dropout, recurrent_dropout=recurrent_dropout, input_shape=(X_train.shape[0],100, 136))))
#     model.add(tf.keras.layers.Bidirectional(LSTM(32)))
    model.add(Dense(num_classes, activation='softmax'))
    
    adamopt = tf.keras.optimizers.Adam(lr=learning_rate, beta_1=0.9, beta_2=0.999, epsilon=1e-8)
    opt = tf.keras.optimizers.RMSprop(lr=learning_rate, rho=0.9, epsilon=1e-6)
#     opt = tf.keras.optimizers.SGD(lr=learning_rate, momentum=0.9, decay=0., nesterov=False)
    
    model.compile(loss='categorical_crossentropy',
                  optimizer=adamopt,
                  metrics=['accuracy'])

    history = model.fit(X_train, y_train,
              batch_size=batch_size,
              epochs=epochs,
              validation_data=(X_test, y_test),
                        verbose = 1)

    score, acc = model.evaluate(X_test, y_test,
                                batch_size=batch_size)
    return history

我想屏蔽填充，但是 Keras website 上显示的指令使用 embedding layer，我认为它通常用于 NLP。我不知道如何为我的模型使用 embedding layer。

谁能教我如何为我的 LSTM 模型应用掩码？

Answer 1

Embedding 图层不适合您的情况。您可以考虑 Masking layer。它可以简单地集成到您的模型结构中，如下所示。

我还记得你，输入形状必须在顺序模型的第一层指定。还请记住，您不需要传递样本维度。在您的情况下，输入形状是 (100,136) 等于 (timesteps,n_features)

units,learning_rate,dropout,recurrent_dropout = 200,0.005,0.19,0.2
num_classes = 3

model = tf.keras.models.Sequential()
model.add(tf.keras.layers.Masking(mask_value=0.0, input_shape=(100,136)))
model.add(tf.keras.layers.Bidirectional(LSTM(units, dropout=dropout, recurrent_dropout=recurrent_dropout)))
model.add(Dense(num_classes, activation='softmax'))

adamopt = tf.keras.optimizers.Adam(lr=learning_rate, beta_1=0.9, beta_2=0.999, epsilon=1e-8)
opt = tf.keras.optimizers.RMSprop(lr=learning_rate, rho=0.9, epsilon=1e-6)

model.compile(loss='categorical_crossentropy',
              optimizer=adamopt,
              metrics=['accuracy'])

model.summary()

如何在用于语音情感识别的 LSTM 模型中屏蔽填充

How to mask paddings in LSTM model for speech emotion recognition

machine-learning

deep-learning

lstm

keras

tensorflow