uisrnn 0.0.7

参数

在主脚本中，调用此函数以获取参数：

model_args,training_args,inference_args=uisrnn.parse_arguments()

模型构造

所有算法都实现为uisrnn类。首先，构建 uisrnn对象：

model=uisrnn.UISRNN(args)

参数的定义在uisrnn/arguments.py中描述。 请参见模型解析器。

培训

接下来，通过调用fit（）函数来训练模型：

model.fit(train_sequences,train_cluster_ids,args)

参数的定义在uisrnn/arguments.py中描述。 请参见Training\u Parser

fit（）函数接受两种类型的输入，如下所述。

作为序列列表输入（推荐）

这里，序列是观察序列的列表。 每个观测序列都是一个类型为float的二维numpy数组。

• 第一个维度是这个序列的长度。以及长度 可能因序列而异。
• 第二个维度是每个观察的大小。这个 所有序列之间必须一致。对于说话人二值化， 观察结果可能是 d向量嵌入

train_cluster_ids也是一个列表，其长度与 训练序列。train_cluster_ids的每个元素都是一个一维列表或 字符串的numpy数组，包含 序列中的相应序列。 对于说话人二值化，这些标签是每个 观察。

以这种方式调用fit（）时，请非常小心参数 --强制群集唯一性

例如，假设：

train_cluster_ids=[['a','b'],['a','c']]

如果两个序列中的标签'a'指向 整个数据集，那么我们应该有enforce_cluster_id_unique=false； 否则，如果'a'只是一个本地指示器，以便与 第一个序列，为了区别于第二个序列中的'c'，我们应该 使强制执行群集唯一性=true

另外，请注意，以这种方式调用fit（）时，我们将 连接所有序列和所有群集ID，并委托给 下一节。

作为单个串联序列输入

这里，序列应该是一个类型为float的2维numpy数组， 对于串联的观测序列。

例如，如果您有m训练语句， 每句话都是一个嵌入序列。每个嵌入都是 数的向量。则序列的形状为n*d， 其中n=m*l

train_cluster_ids是一个长度n的一维字符串列表或numpy数组。 它是所有训练数据的串联的基本事实标签。

因为我们将观测序列串联起来，所以需要注意的是， 格鲁不同序列中的序列号 应该是全局唯一的

例如，如果第一个 序列是{'a'，'b'，'c'}，第二个序列中的标签集 是{'b'，'c'，'d'}。在连接之前，我们应该将它们重命名为 类似于{'1a'，'1b'，'1c'}和{'2b'，'2c'，'2d'}， 除非两个序列中的'b'和'c'完全相同 （在说话人二值化中，这意味着他们是相同的说话人 话语）。这一部分将由论点自动处理 --对上一节执行群集id唯一性。

我们连接所有训练序列的原因是，我们将重新采样 以及分块将训练数据洗牌为数据增强 过程，这样我们就得到了一个健壮的模型，即使在 训练序列数。

大型数据集培训

对于大型数据集，数据通常不能一次加载到内存中。 在这种情况下，需要多次调用fit（）函数。

在此，我们提供一些指导原则作为建议：

1. 不要将不同的数据集馈送到fit（）的不同调用中。相反， 对于fit（）的每次调用，输入应该包含 不同的数据集。
2. 对于对fit（）函数的每次调用，使输入的大小大致为 同样。而且，不要使输入的大小太小。
< > >

预测

一旦我们完成了训练，我们就可以运行经过训练的模型来执行 通过调用predict（）函数推断新序列：

predicted_cluster_ids=model.predict(test_sequences,args)

这里test_sequences应该是float类型的2维numpy数组的列表， 与测试的观察顺序相对应。

返回的predicted_cluster_ids是一个与 测试序列。predicted_cluster_ids的每个元素都是一个整数列表， 长度与相应的测试顺序相同。

您也可以对test_sequences使用单个测试序列。然后返回 预测的群集ID也将是一个整数列表。

参数的定义在uisrnn/arguments.py中描述。 参见推理分析器

引文

我们的论文被引用为：

pip3 install uisrnn

0

参考文献

基线二聚系统

进一步了解我们的基线二聚系统 无监督聚类算法，请查看 此站点

本文中使用的谱聚类算法的python重新实现 在这里可以找到纸张。

最基本的真理标签 NIST SRE 2000 可以找到数据集（disk6和disk8） 这里

有关说话人二值化的更多公共资源，请访问awesome二值化。

扬声器识别器/编码器

要了解有关扬声器嵌入系统的更多信息，请查看 此站点

我们知道这项工作有几个第三方实现：

• tensorflow由janghyun1230实现
• Harryvolek的Pythorch实现-与UI-RNN集成

请用你自己的判断来决定你是否想用这些 实施。

我们不对任何第三方实现的正确性负责。

标签：

• 数据
• 模型
• ids
• 列表
• 状态
• 序列
• 神经网络
• fit
• cluster

欢迎加入QQ群-->： 979659372

推荐PyPI第三方库

• clc-export-tool

  ElasticSearch数据导出工具

• colossus

  宇宙学、光晕和大型结构工具

• bsedata

  从bse获取数据的包

• django-ckeditor5

  Django Keckeditor 5 38598；2510410；

• mlearn

  序列机器学习算法

• generate

  从jinja模板生成新的项目结构

• medialog.mobilethemeTwo

  泽特威克的重氮主题。

• newrelic_marklogic_plugin

  用于监视marklogic的newrelic插件。

• agecalc

  根据指定的出生日期计算出生信息。

• nim-install

  在linux virtualenv中安装nim编译器假定使用gcc

• neze-webcli

  实用程序套件

• spenx

  python 3模板解析器从类似pug/jade的语法生成html

• pydat

  DoubleArrayTrie（DAT）支持用C++实现Python的前缀搜索和精确搜索和多模式匹配

• confi

  在Python项目中，通过这个模块，您只需通过密钥就可以获取配置文件的值。

• nachomines

  使用pygame的简单python扫雷游戏