|
所在平台: Udemy |
课程主页: https://www.udemy.com/course/emotionen-in-stimmen-erkennen-mit-pytorch-und-wav2vec2/
课程评论：没有评论
**课程名称：** 利用PyTorch和wav2vec2识别语音中的情绪 **课程概述：** 本课程将指导您训练一个能够识别语音中七种不同情绪的模型。课程将使用Matas的wav2vec2作为基础模型，并介绍如何将其微调以完成“音频分类”任务。我们将利用Huggingface提供的wav2vec2模型实现，并添加一个用于训练和评估的分类头。 **核心内容：** * **数据准备：** * 获取、格式化和标记“柏林情感语音数据库”（Berlin Database of Emotional Speech）。 * 将处理后的数据构建成适合模型训练的数据集。 * **模型训练：** * 利用wav2vec2作为基础模型。 * 学习如何将wav2vec2微调到音频分类任务。 * 在Huggingface上使用wav2vec2模型实现。 * 添加和训练分类头。 * 模型评估。 * **模型应用与发布：** * 编写推理脚本以应用训练好的模型。 * 讨论模型结果和潜在的改进方向，以提高模型的准确性。 * 学习如何在Huggingface Hub上发布已完成的模型，以获取反馈。 **学习目标：** * 掌握如何识别语音中的情绪。 * 了解如何从头开始构建和训练一个模型。 * 探索将模型应用于其他分类任务的可能性，例如通过声音识别汽车或通过音景评估足球比赛场景。 **先决条件：** * 能够阅读和编写Python代码。 * 具备深度学习的基础知识。
In diesem Kurs zeige ich euch, wie ihr ein Modell trainiert, das sieben Emotionen in Sprache erkennen kann, konkret in Audiodateien des Formats wav. Die Datengrundlage schaffen wir uns, indem wir einen entsprechenden, freien Datensatz (Berlin Database of Emotional Speech) besorgen, formatieren, mit Labels versehen und in einem Dataset bereitstellen.Für das Training selber wird Meta's wav2vec2 als Foundation Modell genutzt und gezeigt, wir du das Modell auf den Task "Audio Classification" fine-tunen kannst. Dabei setzen wir auf die wav2vec2-Modellimplementierung von Huggingface auf und fügen einen Classification Head hinzu, den wir trainieren und evaluieren. Dadurch lernt ihr nicht nur, wie ihr Emotionen erkennt, sondern auch ein Training von Grund auf aufbaut und für weitere Klassifizierungsaufgaben verwenden könnt, etwa um Autos anhand ihrer Geräusche zu erkennen oder Situationen im Fußballstadion anhand der Geräuschkulisse per KI einzuschätzen.Ist das Modell trainiert, schreiben wir gemeinsam ein Inference-Script, um das Modell anzuwenden. Zum Schluss werden die Ergebnisse und mögliche Verbesserungen besprochen, um das Modell treffsicherer zu machen. Ihr sehr zusätzlich, wie ihr euer fertiges Modell auf dem Huggingface Hub veröffentlichen könnt, um so Lob und Feedback einzuholen.Als Voraussetzung solltest du in der Lage sein, Python Code zu lesen und zu schreiben und ein Grundverständnis für Deep Learning mitbringen.
