Блог

Я занимаюсь классификацией музыкальных жанров. Я создал файл .h5 с моей моделью, которая является нейронной сетью. И теперь я хочу его использовать. Вот код для прогнозирования музыкального жанра :

 #%%
import librosa
import tensorflow as tf
import numpy as np

from collections import Counter

SAVED_MODEL_PATH = "modelLast.h5"
SAMPLES_TO_CONSIDER = 22050
DURATION = 30
SAMPLE_PER_TRACK = SAMPLES_TO_CONSIDER * DURATION

#%%
class _Keyword_Spotting_Service:
    """Singleton class for keyword spotting inference with trained models.
    :param model: Trained model
    """

    model = None
_mapping = [
    "blues",
    "classical",
    "country",
    "disco",
    "hiphop",
    "jazz",
    "metal",
    "pop",
    "reggae",
    "rock"
]
_instance = None

def predict(self, file_path, num_mfcc=13, n_fft=2048, hop_length=512):
        """Extract MFCCs from audio file.
        :param file_path (str): Path of audio file
        :param num_mfcc (int): # of coefficients to extract
        :param n_fft (int): Interval we consider to apply STFT. Measured in # of samples
        :param hop_length (int): Sliding window for STFT. Measured in # of samples
        :return MFCCs (ndarray): 2-dim array with MFCC data of shape (# time steps, # coefficients)
        """
        num_segments = 10
        num_samples_per_segment = int(SAMPLE_PER_TRACK / num_segments) # num  of segments
        # load audio file
        signal, sample_rate = librosa.load(file_path)
        
        # a faire
        predicted_indexes = [0] * num_segments
        predicted_mfcc = [0] * num_segments
        for s in range(num_segments):
            start_sample = num_samples_per_segment * s  # s=0 -> 0
            finish_sample = start_sample   num_samples_per_segment  # s=0 -> num_samples_per_segment
            mfcc = librosa.feature.mfcc(signal[start_sample:finish_sample],
                                        sample_rate,
                                        n_fft=n_fft, n_mfcc=num_mfcc,
                                        hop_length=hop_length)
            MFCCs = mfcc.T
            MFCCs = MFCCs[np.newaxis, ..., np.newaxis]
            
            # get the predicted label
            predictions = self.model.predict(MFCCs)                
            print ("nPredictions: {}".format(predictions))
            
            predicted_indexes [s] = np.argmax(predictions)
            predicted_mfcc [s] = np.max(predictions)
        
        print("nIndex list: {}".format(predicted_indexes))
        print("nIndex list Mfccs : {}".format(predicted_mfcc))
        
       
        #predicted_index = np.bincount(predicted_indexes).argmax()   # Méthode pour avoir l'index qui se répète le plus de fois
        
        # Ajout de précision du code : 
        """
        Nous ressort de la liste les indexs qui se répètent le plus de fois et s'il y a plusieurs doublons
        triplés, compare la valeurs des indexs et choisi l'index à la valeur la plus élevée
        Voir le code python Liste.py pour plus de précision
        """
        
        indices = list(map(lambda x: x[0], Counter(predicted_indexes).most_common()))
        counts = list(map(lambda x: x[1], Counter(predicted_indexes).most_common()))
        
        print("nIndices présents dans la liste : ", indices)
        print("nNombre d'apparition des indices : ", counts)
       
        max_indices = [indices[i] for i, x in enumerate(counts) if x == max(counts)]
        result_mcfccs = []

        for idx, id in enumerate(predicted_indexes):
            if id in max_indices:
                result_mcfccs.append(predicted_mfcc[idx])
            
        result = max(result_mcfccs)
        
        print("n Indice se répétant le plus : ", max_indices)
        print("nValeur maximale de l'indice se répétant le plus : ",result)
        
        
        indice = predicted_mfcc.index(result)
        print("nEmplacement de la valeur dans la lsite :",indice)
        F= predicted_indexes.pop(indice)
        print("nRésultat final : ", F)
        
        predicted_keyword = self._mapping[F]
        
        return predicted_keyword
    
def Keyword_Spotting_Service():
     """Factory function for Keyword_Spotting_Service class.
    :return _Keyword_Spotting_Service._instance (_Keyword_Spotting_Service):
    """

    # ensure an instance is created only the first time the factory function is called
    if _Keyword_Spotting_Service._instance is None:
        _Keyword_Spotting_Service._instance = _Keyword_Spotting_Service()
       _Keyword_Spotting_Service.model = tf.keras.models.load_model(SAVED_MODEL_PATH)
    return _Keyword_Spotting_Service._instance


if __name__ == "__main__":

    # create 2 instances of the keyword spotting service
    kss = Keyword_Spotting_Service()
    kss1 = Keyword_Spotting_Service()

    # check that different instances of the keyword spotting service point back to the same object (singleton)
    assert kss is kss1

# make a prediction
    keyword = kss.predict("discoTrain.wav")                        # Disco
    #keyword = kss.predict("TheRiversGoingWildCUT.mp3")             # Blues
    #keyword = kss.predict("QuantumJazz.mp3")                       # Jazz
    #keyword = kss.predict("QuantumJazzCUT.mp3")                    # Jazz
    #keyword = kss.predict("AbsconseResilience.mp3")                # Metal
    #keyword = kss.predict("Nature.wav")
    #keyword = kss.predict("elvis-presley-jailhouse-rock-music-video.mp3")           # Rock
    #keyword = kss.predict("bob-marley-no-woman-no-cry-official-video.mp3")              # Reggae
    #keyword = kss.predict("alan-jackson-chattahoochee-official-music-videoCUT.mp3")    # Country
    print(keyword)
  

Проблема в том, что он возвращает мне ошибку значения, которую я никогда не видел ни на одном форуме, которая :

 File "C:ProgramDataAnaconda3envsPMIlibsite-packagestensorflow_corepythonkerasutilsgeneric_utils.py", line 165, in class_and_config_for_serialized_keras_object
raise ValueError('Unknown '   printable_module_name   ': '   class_name)

ValueError: Unknown regularizer: L2
  

Как я могу это исправить?

Я, наконец, нашел, почему у меня возникла эта ошибка. Это пришло из моих переменных path. Мне нужно было добавить «ffmpeg» в мои переменные path только после того, как я загрузил папку из Интернета. Вот ссылка:https://ffmpeg.org/download.html Я скопировал папку непосредственно на свой диск «C» и добавил путь к своим переменным path.

Удачи!