2. 程式人生 > >《深度學習——Andrew Ng》第五課第三週程式設計作業_2_Trigger+word+detection

《深度學習——Andrew Ng》第五課第三週程式設計作業_2_Trigger+word+detection

阿新 • • 發佈：2019-01-11
Set the random seed np.random.seed(18) # Make background quieter background = background - 20 ### START CODE HERE ### # Step 1: Initialize y (label vector) of zeros (≈ 1 line) y = np.zeros((1, Ty)) # Step 2: Initialize segment times as empty list (≈ 1 line) previous_segments = [] ### END
CODE HERE ### # Select 0-4 random "activate" audio clips from the entire list of "activates" recordings number_of_activates = np.random.randint(0, 5) random_indices = np.random.randint(len(activates), size=number_of_activates) random_activates = [activates[i] for i in random_indices] ### START
CODE HERE ### (≈ 3 lines) # Step 3: Loop over randomly selected "activate" clips and insert in background for random_activate in random_activates: # Insert the audio clip on the background background, segment_time = insert_audio_clip(background, random_activate, previous_segments) # Retrieve segment_start and
segment_end from segment_time segment_start, segment_end = segment_time # Insert labels in "y" y = insert_ones(y, segment_end) ### END CODE HERE ### # Select 0-2 random negatives audio recordings from the entire list of "negatives" recordings number_of_negatives = np.random.randint(0, 3) random_indices = np.random.randint(len(negatives), size=number_of_negatives) random_negatives = [negatives[i] for i in random_indices] ### START CODE HERE ### (≈ 2 lines) # Step 4: Loop over randomly selected negative clips and insert in background for random_negative in random_negatives: # Insert the audio clip on the background background, _ = insert_audio_clip(background, random_negative, previous_segments) ### END CODE HERE ### # Standardize the volume of the audio clip background = match_target_amplitude(background, -20.0) # Export new training example file_handle = background.export("train" + ".wav", format="wav") print("File (train.wav) was saved in your directory.") # Get and plot spectrogram of the new recording (background with superposition of positive and negatives) x = graph_spectrogram("train.wav") return x, y

相關推薦

《深度學習——Andrew Ng》第五課第三週程式設計作業_2_Trigger+word+detection

Set the random seed np.random.seed(18) # Make background quieter background = background - 20 ### START CODE HERE ### # Step 1: Initi

《深度學習——Andrew Ng》第一課第四周程式設計作業

Building your Deep Neural Network: Step by Step 3.2 - L-layer Neural Network The initialization for a deeper L-layer neural

《深度學習——Andrew Ng》第一課第二週程式設計作業

最近在網易雲課堂學習《深度學習》微專業，將課後的程式設計作業記錄下來。 Logistic Regression with a Neural Network mindset Welcome to your first (required) pr

《深度學習——Andrew Ng》第五課第一週程式設計作業_2_dinosaurus island

第二課的作業是給恐龍起名，訓練集是一系列恐龍的名字，經過訓練後，RNN網路可以生成新的恐龍的名字，隨著訓練次數的迭代，可以發現得到的名字越來越像是正常的恐龍名字。 這裡有兩點需要注意一下： 使用的模型RNN 圖中的每個cell都把計算流程標清楚了

《深度學習——Andrew Ng》第五課第三週程式設計作業_1_Machine Translation

pycharm版 from keras.layers import Bidirectional, Concatenate, Permute, Dot, Input, LSTM, Multiply from keras.layers import RepeatV

《深度學習——Andrew Ng》第四課第四周程式設計作業_2_神經網路風格遷移

課程筆記 演算法將一幅圖片分為內容+風格，有了這兩像，圖片也就確定了，所以”生成圖片主要的思想，通過兩個損失函式（內容損失+風格損失）來進行迭代更新” 遷移學習總體分為三步: 建立內容損失函式 Jcontent(C,G)Jcontent(C,G)

《深度學習——Andrew Ng》第四課第二週程式設計作業

深度學習第四課是 卷積神經網路 ，共四周內容： 第一週 卷積神經網路（卷積的含義，各個層的功能，如何計算資料在不同層的大小（shape）） 第二週 深度卷積網路：例項探究（LeNet5、ResNet50等經典神經網路，遷移學習，資料擴充） 第三週

《深度學習——Andrew Ng》第四課第三週程式設計作業

第三週的課程是目標檢測 ，程式設計作業是以yolo網路為主。程式設計作業的主要部分是對yolo網路輸出進行 anchor boxes過濾、IOU過濾、非極大抑制處理。 理論知識 交併比（Intersection-over-Union，IoU），目標檢測中使

深度學習-吳恩達第一課第四周課程作業

在前面兩節課的基礎上，這次作業是訓練一個N層神經網路，來判斷一張圖片是否有貓，實現過程其實和第三週很相似，因為層數不確定，所以在向前傳播和反向傳播的時候會用到for迴圈，程式碼相對而言反而更精簡了。貼出的程式碼可能和老師給的模板不一樣，我沒有看到老師的原版課程作業，也是在網上

網易雲深度學習第一課第三週程式設計作業

具有一個隱藏層的平面資料分類 第三週的程式設計任務： 構建一個含有一層隱藏層的神經網路，你將會發現這和使用邏輯迴歸有很大的不同。 首先先匯入在這個任務中你需要的所有的包。 -numpy是Python中與科學計算相關的基礎包 -sklearn提供簡單高效

深度學習-吳恩達第一課第三週課程作業

第二週的課程作業是利用邏輯迴歸來訓練一個分類器來辨別一張圖片是否為貓，這周老師講了單隱層的神經網路，所以先看看利用這個模型能否在上次作業的基礎上對訓練準確度作出改善 訓練一個神經網路 神經網路分為幾層，隱藏層中包含幾個神經元，使用的啟用函式 初始化引數 W（i）和

第五課-第三講05_03_bash腳本編程之二 條件判斷

表達 重名 關鍵字 系統 amp 文件是否存在 取反 bash腳本編程 bash 第五課-第三講05_03_bash腳本編程之二 條件判斷 變量名稱：只能保含字母數字下劃線，且不能數字開頭。不能和系統中已存在的環境變量重名。見名知意bash中如何實現條件判斷？條件測試類型

第五課-第四講05_04_bash腳本編程之三 條件判斷及算術運算

ash 如果 寫一個腳本 字符 命令引用 是否 練習 bash腳本 [] 第五課-第四講05_04_bash腳本編程之三 條件判斷及算術運算 練習：寫一個腳本，判斷當前系統上是否有用戶的默認shell為bash：如果有，就顯示有多少個這類用戶，否則，就顯示沒有這類用戶 bc

Coursera 吳恩達《神經網路與深度學習》第三週程式設計作業

# Package imports import numpy as np import matplotlib.pyplot as plt from testCases import * import sklearn import sklearn.datasets impo

第五課 第六課 浮點數和逐次近似 牛頓法、列表簡介

python有兩種數字型別：整型，任意精度整數 a=2**1000=。。。。。L l代表內部長格式，處理長整數效率低 分界線大概是20億左右 b=2**999，那麼a/b=2L，一旦數字加上了L，就別想還原了 float 型  x=0.1 列印x 則會出現0.1000000

機器學習 | 吳恩達機器學習第三週程式設計作業(Python版)

實驗指導書  下載密碼:fja4 本篇部落格主要講解，吳恩達機器學習第三週的程式設計作業，作業內容主要是利用邏輯迴歸演算法(正則化)進行二分類。實驗的原始版本是用Matlab實現的，本篇部落格主要用Python來實現。   目錄 1.實驗包含的檔案 2.使用邏

Coursera-機器學習（吳恩達）第三週-程式設計作業

1、邏輯迴歸 邏輯迴歸與線性迴歸的主要區別在於假設函式，邏輯迴歸中的假設函式：                                                                         hθ(x) = g(θ'x)=sgmoid(θ’

Coursera概率圖模型（Probabilistic Graphical Models）第三週程式設計作業分析

Markov Networks for OCR 光學字元識別的馬爾科夫網路   說到光學字元識別（OCR），此前筆者首先想到的會是卷積神經網路，而單詞識別則會考慮使用遞迴神經網路。而本週的作業則基於馬爾科夫網路構建了一個較為基礎OCR系統，目的也主要是讓我們對馬爾科夫網路有個感

吳恩達Coursera深度學習課程 deeplearning.ai (5-1) 迴圈序列模型--程式設計作業(一)：構建迴圈神經網路

Part 1: 構建神經網路 歡迎來到本週的第一個作業，這個作業我們將利用numpy實現你的第一個迴圈神經網路。 迴圈神經網路(Recurrent Neural Networks: RNN) 因為有”記憶”，所以在自然語言處理(Natural Languag

程式設計入門—Java語言_第三週程式設計作業

1奇偶個數 題目內容： 你的程式要讀入一系列正整數資料，輸入-1表示輸入結束，-1本身不是輸入的資料。程式輸出讀到的資料中的奇數和偶數的個數。 輸入格式: 一系列正整數，整數的範圍是（0,100000）。如果輸入-1則表示輸入結束。 輸出格式： 兩個整數，第一個整數表示讀入