贴下原作者github：https://github.com/YuanGongND/psla 最近弄了下音频分类的工作，了解了下基本流程。一般都是MFCC/Fbank特征提取后再进行CNN/attention。数据集公共的一般是用FSD50K、audioset居多。我这里是用自己的数据集，需要转换到audioset格式即可。 下面说下我对PSLA对面的理解： AudiosetDataset： 这个是数据增强和预处理，包括声音混合、fbank、数据标准化以及数据填充到固定长度，还有Fre...