Skip to content

Latest commit

 

History

History
85 lines (60 loc) · 3.39 KB

README.md

File metadata and controls

85 lines (60 loc) · 3.39 KB

Infos

Code source du tutoriel de https://deeplylearning.fr/cours-pratiques-deep-learning/reconnaissance-vocale-de-mots-cles/

Permet de creer avec Tensorflow et Keras une reconnaissance vocale de mots clés entre 2 types de mots différentes, avec des algorithmes de deep learning.

Installer les pré-requis

Permet d'installer les différentes bibliothèques essentiel pour réaliser des algorithmes de deep learning. Optionnel si vous avez déjà votre environnement pré-configuré.

$ install.bat

Generer les tableaux numpy

Changer les chemins si nécessaire :

Attribut Description
pathNumpy Destination ou seront sauvegarder les tableaux
pathData Chemin ou sont les images en format png
imgResize On met l'ensemble du dataset à la même taille

Lancer la commande suivante :

$ python generateNumpyFiles.py

Entrainer le model

Changer les chemins si nécessaire :

Attribut Description
csv_logger Chemin du callbak permettant l'enregistrement des metriques
check Chemin du callback permettant d'enregistrer le modèle sous format hdf5
pathData Chemin des tableaux numpy
trainRatio Ratio définissant la taille du jeu d'entrainemnt et de validation
batch_size Nombre d'item que on envoi sur une phase de feedforward/backpropagation
earlyStopPatience Permet de définir l'arrêt de l'entrainement, lorsque les données de précision sur le jeu de validation n'évolu plus

Lancer la commande suivante :

$ python trainModel.py

Generer les graphiques de suivi de métriques

Changer les chemins si nécessaire :

Attribut Description
pathLogs Destination ou est notre fichier de métriques au format CSV
pathSaveGraph Chemin ou on va sauvegarder

Lancer la commande suivante :

$ python generateMetrics.py

Generer la matrice de confusion

Changer les chemins si nécessaire :

Attribut Description
modelPath Destination ou est stocké notre modele pré entrainé
datasetTestPath Chemin ou sont les audios de test
destinationMatrix Destination ou on va sauvegarder notre matrice
imageSize On met l'ensemble du dataset à la même taille

Lancer la commande suivante :

$ python generateConfusionMatrix.py

Realiser une prédiction sur une nouvelle donnée

Changer les chemins si nécessaire :

Attribut Description
modelPath Chemin du model au format hdf5 pour le charger en memoire
soundPath Chemin de l audio que l'on doit predire
soundSize Doit être identique aux tailles d audio d'entrainement
labels Libéllé des classes à prédire
format Doit être identique aux tailles d image d entrainement
channels Nombre de canaux de l audio
chunk Taille du buffer de l audio
rate Taux d échantillonage de l audio
recordTime Temps d enregistrement de l audio

Puis lancer la commande suivante :

$ python autoPredict.py