PythonでWEB上の画像をダウンロードするには、requestsライブラリを使う。ここでは、ダウンロード対象の画像として、OpenCVのGithubから、butterfly.jpgを対象とする。 butterfly.jpg – opencv GitHub WEB上の画像をダウンロードするrequests.get() ダウンロード対象の画像のURLを確認するために、butterfly.jpgの画像の上で右クリックをし、画像のアドレスのコピーをクリックします。 この場合、https://github.com/opencv/opencv/blob/4.x/samples/data/butterfly.jpg?raw=trueがコピーされます。 requests.get()の第一引数に、ダウンロード対象画像のURLを指定すると情報を取得できる。画像のデータをバイナリ形式で取得するために.con

speech commands datasetsのダウンロード MicrosoftのPyTorch を使用したオーディオ分類の概要に沿って、yes/noのspeech commands datasetsでPCENと対数スペクトルの特徴量による性能差を見ていきます。 PyTorch を使用したオーディオ分類の概要 – Microsoft Docs Learn 必要なライブラリをインポートします。Google Colabの場合は、librosaをインストールしてください。 !pip install git+https://github.com/librosa/librosa import os import torch import torchaudio from torch.utils.data import Dataset, DataLoader from torchvision impo

音声識別や音響イベント検出の特徴量として、対数メルスペクトルがよく用いられています。この対数メルスペクトルに代わる特徴量として、2017年にPer-Channel Energy Normalization（PCEN）が提案され、性能が向上することが報告されています。今回は、librosaを使って、PCENを算出します。 Per-Channel Energy Normalization（PCEN）とは PCENは、 ICASSP2017でGoogleから提案された方法で、以下式から算出されます。 Trainable Frontend For Robust and Far-Field Keyword Spotting – arXiv Eにはメルフィルターバンクのエネルギー、Mは平滑化したエネルギーで、εはゼロ割防止の小さな定数、aによって正規化の強さを設定します。δはオフセット、rはダイナミッ

import torch a = torch.tensor([[1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12],]) print(a) # tensor([[ 1, 2, 3, 4], # [ 5, 6, 7, 8], # [ 9, 10, 11, 12]]) print(a.shape) # torch.Size([3, 4])

PyTorchに実装されているScheduler 以下、リンク先ドキュメントから、PyTorchに実装されているSchedulerは14種類あることがわかります。 TORCH.OPTIM（How to adjust learning rate） – PyTorch v1.11.0 Docs — lr_scheduler.LambdaLR — lr_scheduler.MultiplicativeLR — lr_scheduler.StepLR — lr_scheduler.MultiStepLR — lr_scheduler.ConstantLR — lr_scheduler.LinearLR — lr_scheduler.ExponentialLR — lr_scheduler.CosineAnnealingLR — lr_scheduler.ChainedScheduler — lr_

torch.saveとtorch.loadを使う方法 始めに、保存や読み込みの対象とするモデルを定義します。今回は、全結合のシンプルなニューラルネットワークを対象とします。 import torch from torch import nn class NeuralNetwork(nn.Module): def __init__(self): super(NeuralNetwork, self).__init__() self.flatten = nn.Flatten() self.linear_relu_stack = nn.Sequential( nn.Linear(28*28, 512), nn.ReLU(), nn.Linear(512, 512), nn.ReLU(), nn.Linear(512, 10) ) def forward(self, x): x = self.fla

立石賢吾さんの書かれた本「やさしく学ぶ機械学習を理解するための数学のきほん」が評判が良いの一通り読んでみたので感想を書いていきます。 これまで、他の入門書で最小二乗法、最急降下法、正則化の理解が進まなかった人にオススメの本です。 感想 機械学習にこれから取り組んでみたいエンジニア 機械学習に興味があるけど数式がなかなか理解できない方 プログラムを書いて動かすところまでやってみたい方 上記の方を対象に書かれた本で、会話形式で進んでいくため、スイスイ読み進んでいけます。扱っている内容は「単回帰」、「重回帰」、「ロジスティック回帰」と「正則化」を主な対象としています。数式がなかなか理解できない方を対象にしているため、数式を一つ一つ丁寧に説明しており、非常に分かりやすいです。これまで、他の入門者で最小二乗法、最急降下法、対数関数の微分、正則化の意味がわからなかった方でもこの本であれば理解できるはず

import torch from torch import nn from torch.utils.data import DataLoader from torchvision import datasets from torchvision.transforms import ToTensor ここでは、torchvision.datasetsを用いてFashionMNISTデータセットをダウンロードし、datasetとして読み込まれます。引数のtrainがTrueであれば学習データを読み込み、Falseであればテストデータを読み込みます。torchvision.datasetsには、CIFAR100、MNISTやImageNet 2012 Classification Datasetなど数多くの有名なデータセットが含まれています。 # Download training data

================================================= Layer (type:depth-idx) Output Shape Param # ================================================= ResNet -- -- ├─Conv2d: 1-1 [16, 64, 8, 8] 9,408 ├─BatchNorm2d: 1-2 [16, 64, 8, 8] 128 ├─ReLU: 1-3 [16, 64, 8, 8] -- ├─MaxPool2d: 1-4 [16, 64, 4, 4] -- ├─Sequential: 1-5 [16, 64, 4, 4] -- │ └─BasicBlock: 2-1 [16, 64, 4, 4] -- │ │ └─Conv2d: 3-1 [16, 64, 4, 4

PyTorch, PySoundFile, Scipyなどを用いることで、音声/音楽ファイルをwav,mp3などの形式で書き出すことができます。ここでは、その関数名と対応フォーマット一覧を記載します。各ライブラリの使い方詳細については関連記事をご覧ください。

PySoundFileで音声/音楽データを書き込むには、soundfile.writeを使う。 ・soundfile.write – PySoundFile v0.10.0 API Documentation 以下記事を参考に、1000Hzの正弦波を生成し、このデータを音声ファイルとして書き出します。

PythonのライブラリSciPyで音声/音楽データを書き出すには、scipy.io.wavfile.writeを使う。 scipy.io.wavfile.write – SciPy v1.8.0 API reference Numpyで生成した、サンプリング周波数44100Hz、振幅0.5、長さ3秒、1000Hzの正弦波を書き出します。

PyTorchで音声/音楽データを書き込むには、torchaudio.save使う。torchaudio.saveは、Tensor型の配列をwav、mp3ファイルで書き出すことができる。 torchaudio.save – Torchaudio v0.10.0 Documentation 以下記事で生成した正弦波を1000Hzに変更し、書き込む。

Numpyによるホワイトノイズの生成 ホワイトノイズはランダムな時系列信号を生成すれば良いので、np.random.randを使用します。 np.random.rand – Numpy v1.26 Manual ここでは、サンプリング周波数が44.1kHz、振幅の範囲が -1〜1、長さが3秒のホワイトノイズを作成します。 import numpy as np import matplotlib.pyplot as plt A = 1.0 # 振幅 sec = 3.0 # 信号の長さ s sf = 44100 # サンプリング周波数 Hz x = 2*A*(np.random.rand(round(sf*sec))-0.5) # ホワイトノイズの生成f plt.plot(x) 時間波形 PyTorchによるホワイトノイズの生成 PyTorchでは、torch.rand関数を使用して、ホワイト