背景

本文是基於Matconvnet深度學習框架對方言音訊檔案進行分類，介紹如下：

預處理資料

聲譜圖

預處理資料都是對音訊檔案進行處理，我們都知道 CNN 主要是針對二維資料做分類等，因此我們第一步需要做的是將一維的音訊訊號，通過呼叫specgram函式將音訊檔案轉換成聲譜圖，我在實驗中的採用過兩種引數，分別如下：

• [b,f,t] = specgram(x,512,fs,512,256);
• [b,f,t] = specgram(x,1024,fs,1024,512);

兩種引數生成的聲譜圖 [頻譜圖]雖然從肉眼的角度可以看出區別，但是從最後的實驗結果上來看，可能對分類的結果影響不大。在下面的實驗中我會以實驗結果作說明。

改變尺寸

上述中提到的聲譜圖只是由 Matlab 自帶函式生成的圖片，生成的聲譜圖片中，存在邊緣空白資訊，為了提高我們最終的實驗結果，我們首先要先將空白邊緣資訊使用 imcrop 函式進行裁剪，然後使用 imresize 函式對裁剪過的圖片進行尺寸的縮放，通常我們需要將圖片縮放成經典網路模型需要的尺寸，如：cifar經典資料集、vggnet、alexnet、imagenet等。本文中，我也是採用如下所述的4種尺寸，分別為：32*32、224*224、227*227、256*256.

實驗準備

下載編譯程式碼

由於我們使用的是可以在 Matlab 上執行的 Matconvnet

執行demo

在上述編譯完成之後，為了測試我們是否編譯成功，我們可以執行 examples 資料夾下的 cnn_mnist 程式碼，可以直接執行 cnn_mnist_experiments.m 檔案，程式碼執行的速度很快，即使是在cpu模式下，依然執行的很快，因為這個網路相對簡單一些，資料庫圖片大小為28*28，圖片大小比較小，因此訓練和測試的速度都比較快。在一些新的版本程式碼裡，執行結束之後，可能會報錯，那是在畫圖的時候某一些引數已經不存在了，我們姑且不管這個，在執行結束之後，會生成一個pdf檔案，我們可以開啟著這個pdf檔案觀察實驗結果，在這裡我貼上一個實驗結果的截圖（可能意義不大）：