如何使用多种信噪比数据来训练一个model？

[Huer-H]

你好，很感谢您的代码，然我对se有了更深的理解。
现在我有一些问题需要您的帮助。
1.您的代码中prepare_data.py中的pack_features中
这一部分我有点疑惑“Pad start and finish of the spectrogram with boarder values.”
这里为什么要使用边界值来填充谱图呢？

2.您的代码中是针对单独的SNR来进行增强过程的，我想问的是，我能不能通过多种信噪比的混合语音训练一个泛化性能较好的模型？具体实现方法您可不可以给一些建议？

3.您可不可以帮忙解释一个问题：
进行短时傅里叶变换的方法之间的区别 一个是使用librosa库，一个是您代码中的scipy库？

期待您的回复！

[qiuqiangkong]

您好！ 1. 用边界值填充谱的原因是让预测的谱和原始谱的shape一样 2. 可以通过多信噪比进行混合，比如0db，5db等等。 3. 我们开发的第一个版本使用了scipy库，后来转向使用了librosa库。 Best wishes, Qiuqiang

…

________________________________ From: JH2018-2021 <notifications@github.com> Sent: 25 September 2019 10:01 To: yongxuUSTC/sednn <sednn@noreply.github.com> Cc: Subscribed <subscribed@noreply.github.com> Subject: [yongxuUSTC/sednn] 如何使用多种信噪比数据来训练一个model？ (#48) 你好，很感谢您的代码，然我对se有了更深的理解。 现在我有一些问题需要您的帮助。 1.您的代码中prepare_data.py中的pack_features中 这一部分我有点疑惑“Pad start and finish of the spectrogram with boarder values.” 这里为什么要使用边界值来填充谱图呢？ 2.您的代码中是针对单独的SNR来进行增强过程的，我想问的是，我能不能通过多种信噪比的混合语音训练一个泛化性能较好的模型？具体实现方法您可不可以给一些建议？ 3.您可不可以帮忙解释一个问题： 进行短时傅里叶变换的方法之间的区别 一个是使用librosa库，一个是您代码中的scipy库？ 期待您的回复！ ― You are receiving this because you are subscribed to this thread. Reply to this email directly, view it on GitHub<https://eur02.safelinks.protection.outlook.com/?url=https%3A%2F%2Fgithub.com%2FyongxuUSTC%2Fsednn%2Fissues%2F48%3Femail_source%3Dnotifications%26email_token%3DADFXTSIEXPHKQAMEB6D4O5TQLMSF3A5CNFSM4I2J2WWKYY3PNVWWK3TUL52HS4DFUVEXG43VMWVGG33NNVSW45C7NFSM4HNRELQQ&data=02%7C01%7Cq.kong%40surrey.ac.uk%7Cab4db5bd865646a1a82308d74196edbe%7C6b902693107440aa9e21d89446a2ebb5%7C0%7C0%7C637049988799328388&sdata=SFBaLREWHe%2BgPmBZa2WVeUFqGR0Yj0C%2FI7P1jRaTMK0%3D&reserved=0>, or mute the thread<https://eur02.safelinks.protection.outlook.com/?url=https%3A%2F%2Fgithub.com%2Fnotifications%2Funsubscribe-auth%2FADFXTSMAOM6ZM7DIWE4IT2DQLMSF3ANCNFSM4I2J2WWA&data=02%7C01%7Cq.kong%40surrey.ac.uk%7Cab4db5bd865646a1a82308d74196edbe%7C6b902693107440aa9e21d89446a2ebb5%7C0%7C0%7C637049988799338381&sdata=rucqfTF37XOOaxzoDYYZKx2V%2FgdKRXXC1VLFaUauiNo%3D&reserved=0>.