从视频到音频：使用VIT进行音频分类

就机器学习而言，音频本身是一个有广泛应用的完整的领域，包括语音识别、音乐分类和声音事件检测等等。传统上音频分类一直使用谱图分析和隐马尔可夫模型等方法，这些方法已被证明是有效的，但也有其局限性。近期VIT已经成为音频任务的一个有前途的替代品，OpenAI的Whisper就是一个很好的例子。

在本文中，我们将利用ViT – Vision Transformer的是一个Pytorch实现在音频分类数据集GTZAN数据集-音乐类型分类上训练它。

数据集介绍

GTZAN 数据集是在音乐流派识别 (MGR) 研究中最常用的公共数据集。 这些文件是在 2000-2001 年从各种来源收集的，包括个人 CD、收音机、麦克风录音，代表各种录音条件下的声音。

这个数据集由子文件夹组成，每个子文件夹是一种类型。

加载数据集

我们将加载每个.wav文件，并通过librosa库生成相应的Mel谱图。

mel谱图是声音信号的频谱内容的一种可视化表示，它的垂直轴表示mel尺度上的频率，水平轴表示时间。它是音频信号处理中常用的一种表示形式，特别是在音乐信息检索领域。

梅尔音阶(Mel scale，英语：mel scale)是一个考虑到人类音高感知的音阶。因为人类不会感知线性范围的频率，也就是说我们在检测低频差异方面要胜于高频。 例如，我们可以轻松分辨出500 Hz和1000 Hz之间的差异，但是即使之间的距离相同，我们也很难分辨出10,000 Hz和10,500 Hz之间的差异。所以梅尔音阶解决了这个问题，如果梅尔音阶的差异相同，则意指人类感觉到的音高差异将相同。

def wav2melspec(fp):
     y, sr = librosa.load(fp)
     S = librosa.feature.melspectrogram(y=y, sr=sr, n_mels=128)
     log_S = librosa.amplitude_to_db(S, ref=np.max)
     img = librosa.display.specshow(log_S, sr=sr, x_axis='time', y_axis='mel')
     # get current figure without white border
     img = plt.gcf()
     img.gca().xaxis.set_major_locator(plt.NullLocator())
     img.gca().yaxis.set_major_locator(plt.NullLocator())
     img.subplots_adjust(top = 1, bottom = 0, right = 1, left = 0,
             hspace = 0, wspace = 0)
     img.gca().xaxis.set_major_locator(plt.NullLocator())
     img.gca().yaxis.set_major_locator(plt.NullLocator())
     # to pil image
     img.canvas.draw()
     img = Image.frombytes('RGB', img.canvas.get_width_height(), img.canvas.tostring_rgb())
     return img

上述函数将产生一个简单的mel谱图:

现在我们从文件夹中加载数据集，并对图像应用转换。

class AudioDataset(Dataset):
     def __init__(self, root, transform=None):
         self.root = root
         self.transform = transform
         self.classes = sorted(os.listdir(root))
         self.class_to_idx = {c: i for i, c in enumerate(self.classes)}
         self.samples = []
         for c in self.classes:
             for fp in os.listdir(os.path.join(root, c)):
                 self.samples.append((os.path.join(root, c, fp), self.class_to_idx[c]))
  
     def __len__(self):
         return len(self.samples)
  
     def __getitem__(self, idx):
         fp, target = self.samples[idx]
         img = Image.open(fp)
         if self.transform:
             img = self.transform(img)
         return img, target
 
 train_dataset = AudioDataset(root, transform=transforms.Compose([
     transforms.Resize((480, 480)),
     transforms.ToTensor(),
     transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))
 ]))

ViT模型

我们将利用ViT来作为我们的模型：Vision Transformer在论文中首次介绍了一幅图像等于16×16个单词，并成功地展示了这种方式不依赖任何的cnn，直接应用于图像Patches序列的纯Transformer可以很好地执行图像分类任务。

将图像分割成Patches，并将这些Patches的线性嵌入序列作为Transformer的输入。Patches的处理方式与NLP应用程序中的标记(单词)是相同的。

由于缺乏CNN固有的归纳偏差(如局部性)，Transformer在训练数据量不足时不能很好地泛化。但是当在大型数据集上训练时，它确实在多个图像识别基准上达到或击败了最先进的水平。

实现的结构如下所示:

class ViT(nn.Sequential):
     def __init__(self,    
                 in_channels: int = 3,
                 patch_size: int = 16,
                 emb_size: int = 768,
                 img_size: int = 356,
                 depth: int = 12,
                 n_classes: int = 1000,
                 **kwargs):
         super().__init__(
             PatchEmbedding(in_channels, patch_size, emb_size, img_size),
             TransformerEncoder(depth, emb_size=emb_size, **kwargs),
             ClassificationHead(emb_size, n_classes)

训练

训练循环也是传统的训练过程:

vit = ViT(
     n_classes = len(train_dataset.classes)
 )
 
 vit.to(device)
 
 # train
 train_loader = DataLoader(train_dataset, batch_size=32, shuffle=True)
 optimizer = optim.Adam(vit.parameters(), lr=1e-3)
 scheduler = ReduceLROnPlateau(optimizer, 'max', factor=0.3, patience=3, verbose=True)
 criterion = nn.CrossEntropyLoss()
 num_epochs = 30
 
 for epoch in range(num_epochs):
     print('Epoch {}/{}'.format(epoch, num_epochs - 1))
     print('-' * 10)
 
     vit.train()
 
     running_loss = 0.0
     running_corrects = 0
 
     for inputs, labels in tqdm.tqdm(train_loader):
         inputs = inputs.to(device)
         labels = labels.to(device)
 
         optimizer.zero_grad()
 
         with torch.set_grad_enabled(True):
             outputs = vit(inputs)
             loss = criterion(outputs, labels)
 
             _, preds = torch.max(outputs, 1)
             loss.backward()
             optimizer.step()
 
         running_loss += loss.item() * inputs.size(0)
         running_corrects += torch.sum(preds == labels.data)
 
     epoch_loss = running_loss / len(train_dataset)
     epoch_acc = running_corrects.double() / len(train_dataset)
     scheduler.step(epoch_acc)
 
     print('Loss: {:.4f} Acc: {:.4f}'.format(epoch_loss, epoch_acc))

总结

使用PyTorch从头开始训练了这个Vision Transformer架构的自定义实现。因为数据集非常小(每个类只有100个样本)，这影响了模型的性能，只获得了0.71的准确率。

这只是一个简单的演示，如果需要提高模型表现，可以使用更大的数据集，或者稍微调整架构的各种超参数!

这里使用的vit代码来自：

https://medium.com/artificialis/vit-visiontransformer-a-pytorch-implementation-8d6a1033bdc5