salut tout le monde et bienvenue dans une nouvelle vidéo

dans le deep learning 400 avec Python

série cette fois nous allons

introduire les concepts de base sur l'audio

le traitement des données et du signal spécifiquement

nous allons nous pencher sur les formes d'onde du son

des concepts comme le volume de la hauteur et des choses

qui sont un peu plus avancés comme

spectrogrammes transformée de Fourier et MF

CC et nous allons avoir besoin de tout

ces éléments parce que ce sont les

bases dont nous aurons besoin pour implémenter l'audio

et les modèles d'apprentissage en profondeur de la musique sont cool

une clause de non-responsabilité est nécessaire ici quelques notes

ce n'est pas une vidéo complète sur

traitement du signal numérique audio plutôt

il vous donnera tout comme la base

les fondations dont vous aurez besoin pour être aussi profondes

apprendre dans ce domaine mais si vous voulez

en savoir plus sur ce fascinant

sujet comme faites le moi savoir dans le commentaire

section et je peux faire quelques vidéos sur

le sujet avance cool alors allons-y

commencer alors première question alors quoi

sonne bien le son est produit quand

il y a un objet qui vibre et

ces vibrations déterminent la

oscillation des molécules d'air qui

crée essentiellement une alternance d'air

pression et cette haute pression

alterné avec une basse pression provoque une

vague et nous pouvons représenter cette vague

en utilisant une belle forme d'onde et dans ce cas

nous avons comme une très belle vague qui

oscille et nous pouvons le représenter en utilisant

une amplitude et un temps car au

à la fin de la journée c'est une vague c'est juste

comme un point qui tarde aussi avec

différentes comme des amplitudes dans différents

points cool donc il y en a comme quelques

éléments importants d'une onde ou d'un son

vague donc un est la période et la période

nous donne une idée de van quand on a comme

pareil les départs comme ça

une vague donc par exemple ici comme nous avons

un pic et puis nous revenons comme assis

photo suivante et c'est comme la période

qui est comme l'intervalle avant comme

nous revoyons cette photo maintenant la période est

strictement corrélée avec fréquemment

en effet la fréquence est l'inverse de

période donc plus la période est élevée

plus la fréquence est basse et plus la

période plus la fréquence est maintenant élevée pour

décrire une onde sonore dont nous avons aussi besoin

une autre information sur autre chose

qui est bien amplitude et amplitude

est donnée par la distance d'un point à

comme une amplitude nulle dans ce cas

nous pouvons représenter cette onde sonore comme avec

a avec la fonction sinus et ici nous

avoir une représentation mathématique de

c'est une onde sonore et elle est donnée par le

a par a qui est l'amplitude multipliée

par la fonction sinus calculée en 2 pi

F qui représente le temps de fréquence plus

frais ce frais est une lettre grecque qui

représente bien le visage ce que fait le visage

à une forme d'onde c'est fondamentalement comme ça

le décale vers la droite ou vers la gauche

cool d'accord alors maintenant nous avons comme un simple

représentation mathématique de la d'un

forme d'onde alors maintenant regardons comment

une vague comme ces deux fondamentaux

les éléments comme les ondes sonores sont comme

fréquence et amplitude sont liées

avec la hauteur et le volume donc la fréquence et

pitch sont connectés ensemble fondamentalement

ce qui se passe, c'est que des fréquences plus élevées

sont perçus comme plus aigus mais pêche

n'est pas une observable physique est comme un

perceptif est la façon dont nous percevons comme

fréquence et nous le traitons correctement et ainsi de suite

fondamentalement, l'idée ici est que et vous

pouvez

ici avec ce tube soundwaves

comme dans le pain alors quand vous avez comme un

des périodes plus longues, vous avez fondamentalement plus bas

fréquences et ici avec de courtes périodes

vous avez comme des fréquences plus élevées donc

fondamentalement, nous percevions ces certains

vague en bas à gauche comme hauteur plus élevée

puis celui comme euh comme en haut

partie d'accord alors maintenant passons à votre

amplitude et volume bien il y a un

corrélation évidemment il y a une

connexion avec elle amplitude et

volume mais ce n'est en aucun cas comme

linéaire c'est très compliqué mais tout dedans

toutes les amplitudes plus grandes sont perçues comme

Plus fort

bon donc par exemple si nous comparons ceci

des ondes sonores comme à droite donc ça

est aux ondes sonores bleues comme celle sur

le haut est plus silencieux que celui comme sur

le fond cool alors maintenant une chose que j'ai

pense qu'il est important de frapper ici

c'est que quand on parle comme acoustique

ondes sonores, par exemple comme le

le son de ma voix ou le son d'un d'un

piano jouant ce sont des ondes continues

formes droite donc il y a de l'analogique

formes d'onde mais évidemment nous ne pouvons pas vraiment

stocker des formes d'onde analogiques, nous avons besoin d'un moyen de

numériser les termes et pour ce faire, nous

avoir cette conversion numérique analogique

process ou ADC donc quand on fait de l'analogique

la conversion numérique que nous faisons essentiellement

effectuer deux étapes la première est

appelé échantillonnage et le second est

appelée quantification donc lors d'un échantillonnage

et ce que nous faisons, c'est que nous aimons juste l'échantillon

le signal à des intervalles de temps spécifiques

puis on quantifie l'amplitude donnée

et et nous représentons cela avec un nombre limité

nombre de bits alors voyons cela dans

action avec cet exemple ici afin que

tu verras nous

après avoir lu un bel analogique en continu

onde sonore et maintenant nous allons échantillonner

à ces points bleus comme ici qui

sont tous au même intervalle et les

l'intervalle est donné par la fréquence d'échantillonnage

qui est essentiellement le montant de comme

échantillons que nous avons comme dans un dans un

seconde fraîcheur

donc ce qu'on aime à chaque échantillon c'est qu'on

projeter la valeur de l'amplitude

de l'onde sonore analogique au plus proche

bit quantifié que nous avons ici comme sur le

gauche droite donc par exemple si vous si vous

regardez ce point ici pour que vous puissiez voir

donc comme l'amplitude c'est probablement comme

vers six virgule six quelque chose comme ça

mais nous n'avons pas droit à six virgule six

et donc nous allons juste projeter ça sur

le plus proche que nous avons qui est sept

et donc nous allons stocker ces informations ici

comme bien avec un sept maintenant

D évidemment comme vous le verrez ici ils sont

ils vont être comme certains

des erreurs qui s'accumulent tout au long comme

le processus AGC à cause de comme le le

processus d'échantillonnage lui-même et le

quantification mais plus nous avons de bits

pour stocker l'amplitude et mieux

la qualité du son sera si nous

je dois dire comme des métriques ici

quand on fait un DC donc on s'appelle sample

taux et l'autre est appelé bit F

par exemple avec un cd-rom on a un

taux d'échantillonnage de 44 000 et cent

têtes, ce qui signifie essentiellement que nous prenons

plus de 40 000 points amplifiés dans un

deuxième à droite et la profondeur de bits est donnée

par 16 bits pour chaque canal

d'autant plus nostalgique et

comme un geyser de vue

qui aiment vraiment aimer les jeux vidéo ou

les jeux vidéo comme les jeux rétro peuvent

rappelez-vous le soi-disant

Musique 8 bits de Super Mario ou Final

Fantasy comme les premiers à droite

et pour que la musique s'appelle 8 bits

parce que la profondeur de trempage était un peu et

évidemment la qualité de ce son était

un peu pas si génial que ça

par rapport à ce que nous avons maintenant mais toujours

comme si c'était vraiment vraiment sympa cool

donc c'est l'annonce C alors maintenant passons à autre chose et

jetons un coup d'œil au son du monde réel

vagues donc il s'avère que le son du monde réel

les ondes ne sont pas aussi simples que le sinus

vague que nous avons vu avant donc ici pour

exemple on a une forme d'onde pour un piano

clé donc nous aimons juste frapper une touche de piano

et nous nous attendons comme le son

s'estompe essentiellement ici après neuf heures

secondes cool donc c'est comme un désordre

son qu'il y a beaucoup de like

complexité de sorte que la question que nous

pourrait le demander et qui est comme super

légitime c'est comme ce qu'on peut savoir

à propos de ce son parce que je veux dire

il ne semble pas que nous puissions en savoir beaucoup mais

en fait, il s'avère que la nature a

nous a donné comme une façon incroyable de

en savoir beaucoup sur les sons complexes

et c'est donné par un Fourier

transformer et fondamentalement ce que nous faisons avec

la transformée de Fourier est comme la

processus de décomposition d'un son périodique

en une somme d'ondes sinusoïdales qui

vibrer osciller comme à différents

fréquences donc vous pensez que cela

c'est assez incroyable donc on peut décrire

un son très complexe tant qu'il est

périodique comme une somme comme la superposition

d'un tas d'ondes sinusoïdales différentes à

différentes fréquences comme c'est assez

remarquable n'est-ce pas cool alors mais allons

comme essayez d'aimer visualisez ceci parce que

cela pourrait donner l'impression que je sais un peu

abstrait alors commençons comme ça

onde sonore par ici

maintenant cette onde sonore est donnée par le

superposition de ces deux ondes sinusoïdales

d'accord, donc si nous les additionnons, nous obtiendrons

c'est juste assez cool alors voyons voir c'est

comme mathématiquement ici donc si

nous appelons cette onde sonore ou le son rouge

vague cul alors on voit que c'est donné

par l'onde sinusoïdale par rapport à ceci

mec ici plus l'onde sonore dans le sinus

vague comme par rapport à ce gars ici

ce qui est assez cool et si nous si nous prenons

un coup d'oeil ici pour que nous puissions décrire comme

nous avons vu avant comme ça deux ondes sinusoïdales

comme avec l'amplitude avec le

fréquence et avec le visage qui dans

ce cas est nul bon mais quand on fait un

transformée de Fourier, nous sommes particulièrement

intéressé par les amplitudes elles-mêmes

et pourquoi est-ce le cas parce que comme

l'amplitude nous dit combien un

fréquence spécifique contribue à la

son complexe à droite donc plus le

amplitude et plus je sais que ça

fréquence spécifique contribue à

le son complexe que je veux décomposer

droit donc dans ce cas, nous voyons que le

la fréquence un virgule cinq est celle qui

contribue le plus à ce son sur

ici qui est parce que comme l'amplitude

est un virgule cinq, ce qui est bien plus que

notez le point cinq comme pour le cas de

fréquence 4 à droite et ainsi de suite vous pouvez être

je me demande mais quelle est la grande chose

à ce sujet c'est fantastique parce que

maintenant nous savons comme les différents éléments

quel genre de like contribuent à créer

un son complexe c'est comme si comme toi

penser à comme par exemple comme un plat

disons par exemple comme vous avez un

des spaghettis de pâtes comme la tomate

spaghetti juste pour que la forme d'onde soit juste

comme c'est un plat en soi et c'est

difficile à comprendre comme tout

les différentes parties de celui-ci, mais ensuite nous

prendre une transformée de Fourier nous pouvons diviser

ces éléments ces ingrédients et

comprendre que nous avions probablement comme 200

grammes de spaghettis, puis nous avons eu comme un

peu d'ail nous avions 5 feuilles pour

exemple de basilican un basilic à droite et

nous avions bien cent grammes de tomates

donc en gros on peut décomposer l'ensemble

plat dedans dans ses ingrédients et c'est

la même chose que nous pouvons faire avec le

transformée de Fourier nous pouvons décomposer un

son complexe et comprendre comment

différentes fréquences contribuent

à droite alors revenons à la

forme d'onde de notre touche de piano et effectuer un

Transformée de Fourier ici et alors quoi

vous obtiendrez si vous effectuez un Fourier

transformer est ce gars ici qui est

appelé

un spectre de puissance donc et le spectre

nous donne essentiellement la magnitude en tant que

fonction de la fréquence donc ici nous savons

qu'il y a un pic d'une ampleur similaire à

puissance autour de 3000 ouais nous dirions comme 500

comme ici donc la cette fréquence

est très représenté comme dans celui-ci

sonner ici maintenant donc quand nous

faire comme cette transformée de Fourier essentiellement

on passe du domaine temporel vers le

domaine fréquentiel qu'est-ce que cela signifie

bien si vous jetez un oeil à cette forme d'onde

ici donc vous verrez qu'ici nous avons le

amplitude en fonction du temps donc on

sont dans le domaine temporel mais alors quand nous

appliquer la transformée de Fourier dans laquelle nous nous déplaçons

le domaine fréquentiel car ici on

ont en abscisse la fréquence et la

l'amplitude est fonction de la fréquence

lui-même à droite

cool et donc si parce que cela arrive nous

perdre des informations sur le temps donc c'est comme

si c'est un spectre de puissance spécial ici

était un instantané de tous les éléments qui

d'accord pour former ce son là-bas

comme neuf secondes à droite et donc fondamentalement

ce que ce spectre nous dit est

nous disant que ces différents

les fréquences ont des puissances différentes mais

à travers chacun d'eux tous tous

le son ici donc c'est un instantané c'est un

statique qui pourrait être vu comme un

problème parce qu'évidemment audio et

les données musicales sont une série chronologique à droite

donc les choses changent dans le temps et donc nous voulons

savoir comment les choses changent dans le temps

et il semble qu'avec le Fourier

nous transformer nous ne pouvons pas vraiment faire ça donc

il nous manque beaucoup d'informations

c'est vrai mais évidemment il y a une solution

à cela et la solution s'appelle le

transformée de Fourier à court terme ou s DFT

et alors qu'est-ce que l'heure du spectacle Fourier

transformer calcule-t-il plusieurs

transformées de Fourier à différents

intervalles et, ce faisant, il préserve

informations sur le temps et la façon dont le son

comme évolué c'est comme avec le temps

et donc les différents intervalles auxquels

nous effectuons la transformée de Fourier est

donné par la taille du cadre et donc un cadre

est un tas d'échantillons et donc nous corrigeons le

nombre d'échantillons et nous disons d'accord alors

considérons seulement comme par exemple 200

à 2048 échantillons et faire le Fourier

transformer là et ensuite passons à autre chose

changer et passer à autre chose

le reste manque de la forme d'onde et quoi

se passe ici, c'est que nous sommes une donnée

aspect

Oh Graham qui est une représentation qui

nous donne des informations sur la magnitude comme

fonction de la fréquence et du temps donc

regardons le spectrogramme de

la touche de piano qu'on dit comme avant

léger tellement comme ça Soundwave cool tellement

ici, comme vous pouvez le voir, nous sommes de retour

affaires parce que nous avons le temps maintenant ici

sur l'axe des abscisses mais nous avons aussi

fréquence sur l'axe des ordonnées et nous avons une

troisième axe qui est essentiellement donné par

la couleur et la couleur nous disent

combien une fréquence donnée est présente dans

le son à un instant donné donc par exemple

ici nous voyons que comme vers comme le

commençant au-dessus comme quatre mille Hertz

nous n'avons vraiment pas grand chose

contribution comme du tout il semble

comme ça l'énergie est un peu comme

Je dirais comme autour d'une basse très semblable

la fréquence ici pourrait être comme cinq

cent quelque chose comme ça comme Hertz

à droite et comme vous le voyez ici ceci

spectrogramme ressemble un peu au

forme d'onde de la touche de piano également

car comme vous le voyez comme dans le temps comme tous

de ces fréquences sont un peu comme

se déployant comme l'énergie pour ces

fréquences parce que comme le temps et

ils le son de la touche du piano est juste

comme s'estomper avec le temps cool d'accord donc

maintenant nous avons comme une idée de ce qu'est un

spectrogramme est mais voyons comment nous

effectuer une transformée de Showtime Fourier

un peu comme plus en détail comme

pour comprendre comment cela fonctionne ainsi

ici on part évidemment d'une forme d'onde

comme un jeu d'équipe mmm onde sonore et puis

ce que nous faisons ensuite, c'est que nous aimons fondamentalement

se concentrer uniquement sur une image qui est donnée

par un certain nombre d'échantillons ici et là

ce que nous faisons ensuite, c'est que nous calculons le

Transformée de Fourier ici et puis nous

prendre cette information et nous venons

le projette dans le spectrogramme donc nous nous

mettez-le comme dans le premier intervalle

ici dans le spectrogramme à un instant zéro

en gros et puis on passe comme les

la fréquence ici et puis on passe le

l'ampleur ici et fondamentalement nous nous

peut le visualiser comme une fonction de

de couleur donc maintenant deux choses ici donc ici

J'utilise comme des décibels et comme avec

décibels essentiellement nous appliquons comme un

fonction logarithmique comme deux au

grandeur elle-même et l'autre chose

que je voulais dire, c'est que lorsque nous

effectuer la transformée de Fourier ce que nous

effectuer réellement est la FFT qui est la

transformée de Fourier rapide qui est une sorte

comme une variation du Fourier

transformée qui est utilisée pour effectuer

comme la transformée de Fourier comme façon

plus vite d'accord alors maintenant nous sommes à la

fin de la première itération donc

qu'est-ce qu'on fait ensuite

glisser ici comme sur l'onde sonore

et maintenant nous prenons comme le second comme le

même comme le même genre de comme intervalle

mais la deuxième image donc nous sommes comme

décaler vers la droite et maintenant nous faisons le

même chose donc on calcule le spectre

là par la transformée de Fourier rapide

puis nous projetons cela dans le

spectrogramme, puis nous passons à autre chose

avoir le troisième le quatrième jusqu'à ce que nous obtenions

à la fin et une fois que nous sommes à la fin nous

ont

spectrogramme ahran qui est fantastique

nouvelles cool alors maintenant vous vous demandez peut-être

eh bien, mais pourquoi avons-nous dû apprendre

comme des spectrogrammes comme et tout ça

eh bien ça se passe comme ça les spectrogrammes

sont fondamentaux pour performer comme en profondeur

apprendre comme des applications comme sur l'audio

données bien et en fait comme l'ensemble

pipeline de prétraitement pour les données audio

pour l'apprentissage en profondeur est basé sur

spectrogrammes donc pas surprenant quand on

avoir un ensemble de données, nous commençons avec un tas de

Fichiers WAV si fondamentalement comme une vague

forme comme un son avec ça juste et puis

nous les transmettons en peu de temps

transformée de Fourier et on obtient un

spectrogramme et ensuite nous l'utilisons

spectrogramme comme entrée pour notre immersion

modèle d'apprentissage par ici sympa donc c'est

une façon super sympa de devenir comme un

représentation précieuse pour nos semblables

modèle d'apprentissage en profondeur donc nous aimons juste

concentrez-vous sur le spectrogramme maintenant c'est

comme très différent de ce qu'il était

se produire dans le passé lorsque nous nous concentrions

en savoir plus sur l'apprentissage automatique traditionnel

comme des algorithmes comme une logistique

régression ou super machines virtuelles

comme dans ces cas comme le

pipeline de prétraitement pour les données audio

était assez différent alors jetons un coup d'oeil

à ce moment-là, tout était bien plus

à propos de l'ingénierie des fonctionnalités

à partir de comme une forme d'onde vous

peut prendre beaucoup de choses différentes

des fonctionnalités comme celle-ci et ainsi de suite

l'habitude de faire avant était comme prendre comme

ces fonctionnalités et et pour ce faire, nous

utiliserait essentiellement soit un directement

comme une forme d'onde ou effectuer un Fourier

transformer puis en utilisant comme le

spectre

et vous utiliseriez comme une forme d'onde pour

extraire des caractéristiques du domaine temporel et

vous utiliseriez un spectrogramme pour

l'extraction des caractéristiques du domaine fréquentiel

exemple de comme une fonctionnalité de domaine temporel est

enveloppe d'amplitude un exemple de like

caractéristique du domaine fréquentiel comme spectral

centroïde ou attendre ou flux mais le point

que je veux faire ici est que nous

partir d'une forme d'onde et puis nous obtenons

un tas de fonctionnalités que nous et nous devrions

décider quelles fonctionnalités nous voulons obtenir et

puis nous combinons ces caractéristiques nous

l'agrégat devient dense en quelque sorte en utilisant comme

quelques moyens statistiques exome éminent

l'apprentissage non supervisé comme les modèles et

puis nous les utilisons et nous les nourrissons

caractéristiques dans un algorithme ml comme

régression logistique ou comme super vecteur

machine donc avec les avancées ont comme

l'apprentissage en profondeur tout le processus est devenu un

un peu plus simple parce que

nous n'avons pas besoin de voir comme une préoccupation qui

beaucoup sur l'ingénierie des fonctionnalités parce que

nous utilisons juste le spectre à droite et donc nous

ne pas utiliser comme toutes ces autres choses

c'est pourquoi, comme un modèle d'apprentissage en profondeur

comme pour l'audio comme dans ce cas est

appelé comme un modèle de bout en bout parce que

en gros, vous utilisez juste quelques bases

informations sans trop se soucier

à propos de l'extraction de fonctionnalités spécifiques

maintenant je veux y présenter un autre

caractéristique qui est fondamentale pour la profondeur

apprendre et c'est comme aussi important

sinon plus important que le

spectrogramme lui-même et cette fonctionnalité est

appelait la fréquence mal si subtile

coefficients maintenant pour extraire comme ceux-ci

fonctionnalités comme c'est assez compliqué et

Je ne vais pas entrer dans le

détails car encore une fois nous n'en avons pas besoin

nous devons donc comprendre comme le

intuition entre comme un spectrogramme et

n FCC mais nous n'avons pas besoin d'aimer

comprendre les détails de la mise en œuvre

ici, mais ce que nous devons faire, c'est

comprendre comme quoi au MM FCC's

sont et comment nous pouvons aimer les utiliser à partir d'un

perspective de très haut niveau

un culbute de capture de la FCC et sexuelle

aspects du son donc si vous avez pour

exemple comme un piano et le violon

jouant comme la même mélodie que vous le feriez

ont potentiellement comme le même comme

teneur en pêche la même fréquence et

pareil comme un rythme plus ou moins là

selon les performances mais quoi

changerait est comme tambaran le

qualité du son et les EM FCC sont

capable de capturer ces informations

et pour extraire em FCC nous nous

effectuer une transformée de Fourier et on se déplace

comme du domaine temporel dans si vous aimez

le domaine fréquentiel donc les M FCC sont

fondamentalement comme la fonctionnalité de domaine de fréquence

mais la grande chose le grand avantage

des M FCC sur les spectrogrammes est que

ils se rapprochent de l'audition humaine

système, ils essaient de modéliser la façon dont nous

percevoir comme fréquence droite et ainsi de suite

c'est comme très important comme si vous

alors je veux faire comme des trucs d'apprentissage en profondeur

avoir comme des données qui représentent

la façon dont nous aimons le processus comme

audio maintenant les résultats comme de l'extraction

MF cc est un tas de coefficients c'est

un vecteur M FCC et vous pouvez donc spécifier un

nombre de coefficients différents identiques

généralement dans toutes vos applications musicales

vous voulez utiliser entre 13 et 40

coefficients et encore une fois vous êtes

va calculer tout ça

coefficients à chaque image afin que vous

avoir une idée de la façon dont les EM FCC

évoluent avec le temps cool

Alors maintenant, regardons comme un M

FCC comme représentation ici c'est

comme très similaire à un spectrogramme n'est pas

c'est juste donc ici sur l'axe axe nous

avoir du temps et puis encore c'est le M

FCC est calculé pour le même son

ondule comme ça on monte jusqu'aux ongles je

comme T la touche du piano bien d'accord donc

ici nous avons le temps pour ces neuf secondes

et ici sur le y

on a les différents m coefficients FCC

et ici vous voyez donc c'en est un c'est

deux c'est gratuit

et ici je pense que j'en ai treize

coefficients et maintenant encore comme le

la valeur des coefficients est représentée

avec ces couleurs comme ici et comme

d'habitude comme le plus rouge le plus rouge

il a une valeur comme ici et comme

le plus grand comme la valeur elle-même

bien cool

alors que dire de M FCC dire où

les utilisons-nous bien il s'avère que M

Les FCC sont fantastiques pour un certain nombre de

différentes applications audio

ils ont donc été introduits à l'origine pour

reconnaissance vocale et ils sont toujours

utilisé comme pour la reconnaissance vocale aujourd'hui

assez largement et mais autour du

2000, ils ont également été introduits en

analyse de la musique et nous pouvons donc utiliser M FCC

pour une classification des genres musicaux et

classification des instruments de musique ainsi

donc en ce qui concerne la classification des genres musicaux

dans quelques vidéos, je pense que quelques

vidéos pour lesquelles nous allons utiliser M FCC

classer un tas de comme différents

pistes que nous aurons et décider lesquelles

Est-ce que Chandra est comme eux et nous utiliserons

FCC est pour ça cool alors maintenant encore une fois

tu as vu que je ne suis pas entré en toi comme

les détails mathématiques profonds ou

détails de mise en œuvre à la fois comme le

Transformée de Fourier et M FCC parce que nous

n'en avez pas besoin mais encore une fois si vous êtes

comme intéressé à en savoir plus juste

comme faites le moi savoir dans la section commentaire

et une fois que j'ai fini comme avec la série je

pourrait en fait aimer faire quelques vidéos

à ce sujet et si vous êtes très

intéressé par ce que je pourrais en fait

créer un sérieux sur tout votre numérique

le traitement du signal qui est une fascinante

sujet en soi et tres complexe cool ok

alors maintenant, comment utilisons-nous comme M FCC comme

dans le

pipeline de prétraitement, j'ai sillonné votre

les données c'est fondamentalement la même chose

que nous aimons pour le spectrogramme donc nous

partir d'une forme d'onde une forme sonore

onde sonore puis nous extrayons les M FCC maintenant

nous avons ce M FCC et nous passons le n

FC C's directement dans notre Deep Learning

Bon réseau, donc encore une fois, utiliser M FC C's est

une autre façon d'aimer faire de bout en bout

apprentissage en profondeur avec audio et c'est comme un

très efficace un efficace un cool donc

c'était tout pour ces vidéos quoi de neuf

ensuite bien il s'avère que comme dans ça

vidéo nous avons passé pas mal de temps

parler de choses théoriques et maintenant

comme d'habitude donc comme d'habitude on veut

juste comme tourner comme ça théorique

informations dans une implémentation similaire afin

dans la prochaine vidéo nous allons jouer vite

Fourier transforme un court terme court

temps et transformer de Fourier et avec

- nous allons regarder les spectrogrammes et les spectres

et nous allons les extraire des fcc mais encore une fois

nous n'implémenterons pas ces extracteurs comme

à partir de zéro mais le gouvernail obtiendra

familier avec une bibliothèque audio fantastique

en Python cela s'appelle un libérateur

et c'est comme une bibliothèque que vous

veux vraiment savoir si tu veux utiliser

si tu veux aimer faire des trucs comme dans

audio avec droit d'apprentissage en profondeur à

préparez vos données au frais donc c'est tout pour

cette vidéo ouais j'espère vraiment que tu

apprécié et si c'est le cas comme

d'habitude, abonnez-vous et appuyez sur le

ceinture de notification et si vous en avez

questions n'hésitez pas à les poster dans

la section des commentaires ci-dessous et je verrai

toi la prochaine fois

Anglais (générés automatiquement)

ToutApprentissage profondLeçonsVidéos similaires