18、基于FSDD数据集的深度学习案例分析

基于FSDD数据集的深度学习案例分析

1. 动态计算图与静态计算图

在深度学习中，计算图的构建方式主要分为静态计算图和动态计算图。动态计算图在运行时动态计算操作，适用于事先不知道计算内容，或者需要对给定数据点执行不同计算的情况。例如，基于可变长度时间序列输入的循环神经网络中的递归计算，以及自然语言处理（NLP）中句子长度不同、自动语音识别（ASR）中音频文件长度可变的应用场景。

与之相对的是静态计算图，在计算前就已经定义好图的结构。这两种方式各有优劣，类似于动态类型编程语言和静态类型编程语言的对比。目前，TensorFlow采用静态计算图，而PyTorch则使用动态计算图。

2. FSDD数据集介绍

FSDD（Free Spoken Digit Dataset）是一个包含1500条语音数字（0 - 9）录音的数据集，由3位说话者录制。原始音频在时域上是一系列样本，但通常将其转换到频域更有用，这里我们使用快速傅里叶变换（FFT）将每个音频文件转换为对数梅尔频谱图（logMel Spectrogram）。频谱图以二维形式展示特征，体现了某一时刻频率的强度。

2.1 软件工具和库

在本次案例中，我们使用PyTorch进行代码实现，它能与Python无缝结合，让我们更专注于深度学习概念而非其他框架的语法。同时，使用librosa库进行音频处理和数据增强。

2.2 探索性数据分析（EDA）

• 数据增强 ：原始FSDD数据集只有1500个样本，且没有专门的验证集和测试集，对于深度学习来说样本数量较少。因此，我们采用数据增强的方法，主