Wespeaker框架训练（2）

2. 模型训练

2.1 run.sh stage 3

数据集处理完毕后开始训练，主要是调用wespeaker/bin/train.py 函数

1. echo ”Start training ...” 打印提示信息，表示开始训练
2. num_gpus=$(echo $gpus | awk -F ’,’ ’print NF’) 通过gpus 变量获取要使用的GPU 数量
3. torchrun –standalone –nnodes=1 –nproc_per_node=$num_gpus，其中使用torchrun 命令来运行训练脚本
   • standalone 表示以独立模式运行
   • nnodes=1 表示使用单节点
   • nproc_per_node=$num_gpus 表示每个节点使用$num_gpus 个进程
4. wespeaker/bin/train.py

• config 模型配置文件yaml 路径
• exp_dir 实验结果的保存路径
• gpus 指定使用的GPU 编号[0]
• num_avg 参数更新平均步长，默认10
• data_type 数据类型shard/raw
• train_data 训练集索引list 路径
• train_label 训练集的标签信息索引路径
• reverb_data 混响噪声集索引路径
• noise_data 噪声集数据索引路径
• checkpoint 模型的检查点路径，如果有则加载已有的checkpoint

在train.py中

输入参数：包括conf\config.yaml文件，也可以是外部设定的参数内容（如run.sh中定义外部参数config = conf/campplus.yaml）

campplus.yaml文件中又对训练epoch，间隔，保存记录，输出路径等参数进行了设定。具体后续对模型训练参数修改就在具体的模型.yaml文件中进行设定。临时的修改可以在run.sh中进行修改。

2.2 运行run.sh

首先设置run.sh 起始stage 和结束stage都为3；

通过anaconda进入wespeaker 环境(这里环境名称就是Wespeaker)

conda activate Wespeaker

运行nohup bash run.sh > ./exp/firstmodel.log 2>&1 &
进入训练阶段。

输出队列内容如下：

	Epoch	Batch	Lr	Margin	Loss	Acc
INFO : 2023-09-26 10:14:10,957	1	100	0.0003866	0	10.767	0
INFO : 2023-09-26 10:14:38,551	1	200	0.00077664		10.707
INFO : 2023-09-26 10:15:06,752	1	300	0.0011662		10.631	0.0078125
INFO : 2023-09-26 10:15:35,557	1	400			10.553	0.013672