音频数据加载

[源代码]

audio_dataset_from_directory 函数

keras.utils.audio_dataset_from_directory(
    directory,
    labels="inferred",
    label_mode="int",
    class_names=None,
    batch_size=32,
    sampling_rate=None,
    output_sequence_length=None,
    ragged=False,
    shuffle=True,
    seed=None,
    validation_split=None,
    subset=None,
    follow_links=False,
    verbose=True,
)

从目录中的音频文件生成 tf.data.Dataset。

如果你的目录结构是

main_directory/
...class_a/
......a_audio_1.wav
......a_audio_2.wav
...class_b/
......b_audio_1.wav
......b_audio_2.wav

那么调用 audio_dataset_from_directory(main_directory, labels='inferred') 将返回一个 tf.data.Dataset，它会从子目录 class_a 和 class_b 中生成批量的音频文件，以及标签 0 和 1（0 对应 class_a，1 对应 class_b）。

目前只支持 .wav 文件。

参数

• directory：数据所在的目录。如果 labels 是 "inferred"，则它应该包含子目录，每个子目录包含一个类的音频文件。否则，目录结构将被忽略。
• labels：可以是 "inferred"（标签从目录结构中推断），None（没有标签），或与目录中找到的音频文件数量相同大小的整数标签列表/元组。标签应按音频文件路径的字母数字顺序排序（通过 Python 中的 os.walk(directory) 获取）。
• label_mode：描述 labels 编码的字符串。选项有：
  • "int"：表示标签编码为整数（例如，用于 sparse_categorical_crossentropy 损失）。
  • "categorical"：表示标签编码为分类向量（例如，用于 categorical_crossentropy 损失）。
  • "binary"：表示标签（只能有两个）编码为 float32 标量，值为 0 或 1（例如，用于 binary_crossentropy）。
  • None（无标签）。
• class_names：仅在 "labels" 为 "inferred" 时有效。这是类名的明确列表（必须与子目录名称匹配）。用于控制类的顺序（否则使用字母数字顺序）。
• batch_size：数据批次的大小。默认值：32。如果为 None，数据将不进行批处理（数据集将生成单个样本）。
• sampling_rate：音频采样率（样本每秒）。
• output_sequence_length：音频序列的最大长度。超过此长度的音频文件将被截断为 output_sequence_length。如果设置为 None，则同一批次中的所有序列将填充到批次中最长序列的长度。
• ragged：是否返回一个 Ragged 数据集（其中每个序列都有自己的长度）。默认为 False。
• shuffle：是否打乱数据。如果设置为 False，数据将按字母数字顺序排序。默认为 True。
• seed：用于打乱和转换的可选随机种子。
• validation_split：可选的 0 到 1 之间的浮点数，用于验证的数据比例。
• subset：要返回的数据子集。"training"、"validation" 或 "both" 之一。仅在设置 validation_split 时使用。
• follow_links：是否访问符号链接指向的子目录。默认为 False。
• verbose：是否显示关于找到的类和文件数量的信息。默认为 True。

返回

一个 tf.data.Dataset 对象。

• 如果 label_mode 为 None，则它会生成形状为 (batch_size,) 的 string 张量，其中包含一批音频文件的内容。
• 否则，它会生成一个元组 (audio, labels)，其中 audio 的形状为 (batch_size, sequence_length, num_channels)，labels 遵循以下描述的格式。

标签格式规则

• 如果 label_mode 是 int，则标签是形状为 (batch_size,) 的 int32 张量。
• 如果 label_mode 是 binary，则标签是形状为 (batch_size, 1) 的 float32 张量，包含 1 和 0。
• 如果 label_mode 是 categorical，则标签是形状为 (batch_size, num_classes) 的 float32 张量，表示类索引的独热编码。