DPRNN介绍
双路径循环语音分离神经网络（Dual-Path RNN）由三个处理阶段组成, 编码器、分离和解码器。首先，编码器模块用于将混合波形的短段转换为它们在中间特征空间中的对应表示。然后，该表示用于在每个时间步估计每个源的乘法函数（掩码）。最后利用解码器模块对屏蔽编码器特征进行变换，重构源波形。 DPRNN被广泛的应用在语音分离等任务上，取得了显著的效果。
论文: DUAL-PATH RNN: EFFICIENT LONG SEQUENCE MODELING FOR
TIME-DOMAIN SINGLE-CHANNEL SPEECH SEPARATION
模型架构
模型包括
encoder：编码器，类似fft，提取语音特征。
decoder：解码器，类似ifft，得到语音波形。
separation：类似得到mask，通过mix * 单个语音的mask，得到单个语音的一个语谱图。通过decoder解码器还原出语音波形。
数据集
使用的数据集为: librimix，LibriMix 是一个开源数据集，用于在嘈杂环境中进行源代码分离。
要生成 LibriMix，请参照开源项目：https://github.com/JorisCos/LibriMix
环境要求
- 硬件（ASCEND）
- ASCEND处理器
- 框架
- MindSpore
- 通过下面网址可以获得更多信息:
- MindSpore tutorials
- MindSpore Python API
- 依赖
- 见requirements.txt文件，使用方法如下:
pip install -r requirements.txt
脚本说明
脚本及样例代码
dprnn
├─ requirements.txt # requirements
├─ README.md # descriptions
├── scripts├─ run_distribute_train.sh # launch ascend training(8 pcs)├─ run_stranalone_train.sh # launch ascend training(1 pcs)├─ run_eval.sh # launch ascend eval├─ run_infer_310.sh # launch infer 310
├─ train.py # train script
├─ train_wrapper.py # global clip norm Settings
├─ evaluate.py # eval
├─ preprocess.py # preprocess json
├─ data.py # postprocess data
├─ export.py # export mindir script
├─ network_define.py # define network
├─ model.py # dprnn model
├─ loss.py # loss function
├─ preprocess_310.py # preprocess of 310
└─ postprocess.py # postprocess of 310
脚本参数
数据预处理、训练、评估的相关参数在train.py等文件
数据预处理相关参数
in-dir 预处理前加载原始数据集目录
out-dir 预处理后的json文件的目录
sample-rate 采样率
train_name 预处理后的训练MindRecord文件的名称
test_name 预处理后的测试MindRecord文件的名称
训练和模型相关参数
train_dir 训练集
valid_dir 测试集
sample_rate 采样率
segment 取得音频的长度
cv_maxlen 最大音频长度
in_channels 输入通道数(过滤器数量/掩蔽网络的输入维度)
out_channels 隐藏状态的特征个数
hidden_channels RNN层状态中的神经元数量
bn_channels 瓶颈层后的通道数
kernel_size 编码器和解码器内核大小
rnn_type 使用的RNN类型
norm 要使用的规范化类型
num_layers Dual-Path-Block的数量
K 重叠窗口大小
num_spks 说话者数量
lr 学习率
l2 权重衰减
momentum 动量
评估相关参数
model_path ckpt文件路径
cal_sdr 是否计算SDR
data-dir 测试集路径
batch_size 测试集batch大小
配置相关参数
device_target 硬件，只支持ASCEND
device_id 设备号
数据预处理过程
数据预处理
数据预处理运行示例:
python preprocess.py
数据预处理过程需要三分钟时间
训练过程
训练
运行示例:
python train.py
参数:
train_dir 训练集
valid_dir 测试集
sample_rate 采样率
segment 取得音频的长度
cv_maxlen 最大音频长度
in_channels 输入通道数(过滤器数量/掩蔽网络的输入维度)
out_channels 隐藏状态的特征个数
hidden_channels RNN层状态中的神经元数量
bn_channels 瓶颈层后的通道数
kernel_size 编码器和解码器内核大小
rnn_type 使用的RNN类型
norm 要使用的规范化类型
num_layers Dual-Path-Block的数量
K 重叠窗口大小
num_spks 说话者数量
lr 学习率
l2 权重衰减
momentum 动量
或者可以运行脚本:
bash run_standalone_train.sh [DEVICE_ID] [DATA_DIR]
上述命令将在后台运行，可以通过train.log查看结果
每个epoch将运行12小时左右
分布式训练脚本如下
bash run_distribute_train.sh [DEVICE_NUM] [DISTRIBUTE] [RANK_TABLE_FILE] [DATA_DIR]
评估过程
评估
运行示例:
python eval.py
参数:
model_path ckpt文件
data-dir 测试集路径
batch_size 测试集batch大小
或者可以运行脚本:
bash run_eval.sh [DEVICE_ID] [CKPT_PATH] [DATA_DIR]
上述命令在后台运行，可以通过eval.log查看结果,测试结果如下
导出mindir模型
导出
python export.py
推理过程
推理
用法
bash scripts/run_infer_310.sh [MINDIR_PATH] [TEST_PATH] [NEED_PREPROCESS]
结果
Average SISNR improvement: 12.77
模型描述
性能
训练性能
随机情况说明
随机性主要来自下面两点:
- 参数初始化
- 轮换数据集
OpenModelZoo主页
OpenModelZoo主页.
文章来源：启智
推荐阅读
- DeepSpeech理论与实战
- WaveNet结构与推断
- 【3D计算机视觉】PU-Net：点云上采样网络（CVPR2018-6）
更多芯擎AI开发板干货请关注芯擎AI开发板专栏。欢迎添加极术小姐姐微信（id:aijishu20)加入技术交流群，请备注研究方向。
)
