pytorch加载语音类自定义数据集的方法教程

前言

pytorch对一下常用的公开数据集有很方便的API接口，但是当我们需要使用自己的数据集训练神经网络时，就需要自定义数据集，在pytorch中，提供了一些类，方便我们定义自己的数据集合

• torch.utils.data.Dataset：所有继承他的子类都应该重写  __len()__  ， __getitem()__ 这两个方法

•  __len()__ ：返回数据集中数据的数量

•   __getitem()__ ：返回支持下标索引方式获取的一个数据

• torch.utils.data.DataLoader：对数据集进行包装，可以设置batch_size、是否shuffle....
  

第一步

自定义的 Dataset 都需要继承 torch.utils.data.Dataset 类，并且重写它的两个成员方法：

• __len()__：读取数据，返回数据和标签

• __getitem()__：返回数据集的长度
  

from torch.utils.data import Dataset

class AudioDataset(Dataset):
def __init__(self, ...):
"""类的初始化"""
pass

def __getitem__(self, item):
"""每次怎么读数据，返回数据和标签"""
return data, label

def __len__(self):
"""返回整个数据集的长度"""
return total

注意事项：Dataset只负责数据的抽象，一次调用getiitem只返回一个样本

案例：

文件目录结构

• p225

• ***.wav

• ***.wav

• ***.wav

• ...

• dataset.py
  

目的：读取p225文件夹中的音频数据

class AudioDataset(Dataset):
def __init__(self, data_folder, sr=16000, dimension=8192):
self.data_folder = data_folder
self.sr = sr
self.dim = dimension

# 获取音频名列表
self.wav_list = []
for root, dirnames, filenames in os.walk(data_folder):
for filename in fnmatch.filter(filenames, "*.wav"): # 实现列表特殊字符的过滤或筛选,返回符合匹配“.wav”字符列表
self.wav_list.append(os.path.join(root, filename))

def __getitem__(self, item):
# 读取一个音频文件，返回每个音频数据
filename = self.wav_list[item]
wb_wav, _ = librosa.load(filename, sr=self.sr)

# 取 帧
if len(wb_wav) >= self.dim:
max_audio_start = len(wb_wav) - self.dim
audio_start = np.random.randint(0, max_audio_start)
wb_wav = wb_wav[audio_start: audio_start + self.dim]
else:
wb_wav = np.pad(wb_wav, (0, self.dim - len(wb_wav)), "constant")

return wb_wav, filename

def __len__(self):
# 音频文件的总数
return len(self.wav_list)

注意事项：19-24行：每个音频的长度不一样，如果直接读取数据返回出来的话，会造成维度不匹配而报错，因此只能每次取一个音频文件读取一帧，这样显然并没有用到所有的语音数据，

第二步

实例化 Dataset 对象

Dataset= AudioDataset("./p225", sr=16000)

如果要通过batch读取数据的可直接跳到第三步，如果你想一个一个读取数据的可以看我接下来的操作

# 实例化AudioDataset对象
train_set = AudioDataset("./p225", sr=16000)

for i, data in enumerate(train_set):
wb_wav, filname = data
print(i, wb_wav.shape, filname)

if i == 3:
break
# 0 (8192,) ./p225\p225_001.wav
# 1 (8192,) ./p225\p225_002.wav
# 2 (8192,) ./p225\p225_003.wav
# 3 (8192,) ./p225\p225_004.wav

第三步

如果想要通过batch读取数据，需要使用DataLoader进行包装

为何要使用DataLoader？

• 深度学习的输入是mini_batch形式

• 样本加载时候可能需要随机打乱顺序，shuffle操作

• 样本加载需要采用多线程
  

pytorch提供的 DataLoader 封装了上述的功能，这样使用起来更方便。

DataLoader(dataset, batch_size=1, shuffle=False, sampler=None, num_workers=0, collate_fn=default_collate, pin_memory=False, drop_last=False)

参数：

• dataset：加载的数据集（Dataset对象）

• batch_size：每个批次要加载多少个样本（默认值：1）

• shuffle：每个epoch是否将数据打乱

• sampler：定义从数据集中抽取样本的策略。如果指定，则不能指定洗牌。

• batch_sampler：类似于sampler，但每次返回一批索引。与batch_size、shuffle、sampler和drop_last相互排斥。

• num_workers：使用多进程加载的进程数，0代表不使用多线程

• collate_fn：如何将多个样本数据拼接成一个batch，一般使用默认拼接方式

• pin_memory：是否将数据保存在pin memory区，pin memory中的数据转到GPU会快一些

• drop_last：dataset中的数据个数可能不是batch_size的整数倍，drop_last为True会将多出来不足一个batch的数据丢弃
  

返回：数据加载器

案例：

# 实例化AudioDataset对象
train_set = AudioDataset("./p225", sr=16000)
train_loader = DataLoader(train_set, batch_size=8, shuffle=True)

for (i, data) in enumerate(train_loader):
wav_data, wav_name = data
print(wav_data.shape) # torch.Size([8, 8192])
print(i, wav_name)
# ('./p225\\p225_293.wav', './p225\\p225_156.wav', './p225\\p225_277.wav', './p225\\p225_210.wav',
# './p225\\p225_126.wav', './p225\\p225_021.wav', './p225\\p225_257.wav', './p225\\p225_192.wav')

我们来吃几个栗子消化一下：

栗子1

这个例子就是本文一直举例的，栗子1只是合并了一下而已

文件目录结构

• p225

• ***.wav

• ***.wav

• ***.wav

• ...

• dataset.py
  

目的：读取p225文件夹中的音频数据

import fnmatch
import os
import librosa
import numpy as np
from torch.utils.data import Dataset
from torch.utils.data import DataLoader

class Aduio_DataLoader(Dataset):
def __init__(self, data_folder, sr=16000, dimension=8192):
self.data_folder = data_folder
self.sr = sr
self.dim = dimension

# 获取音频名列表
self.wav_list = []
for root, dirnames, filenames in os.walk(data_folder):
 for filename in fnmatch.filter(filenames, "*.wav"): # 实现列表特殊字符的过滤或筛选,返回符合匹配“.wav”字符列表
 self.wav_list.append(os.path.join(root, filename))

def __getitem__(self, item):
# 读取一个音频文件，返回每个音频数据
filename = self.wav_list[item]
print(filename)
wb_wav, _ = librosa.load(filename, sr=self.sr)

# 取 帧
if len(wb_wav) >= self.dim:
 max_audio_start = len(wb_wav) - self.dim
 audio_start = np.random.randint(0, max_audio_start)
 wb_wav = wb_wav[audio_start: audio_start + self.dim]
else:
 wb_wav = np.pad(wb_wav, (0, self.dim - len(wb_wav)), "constant")

return wb_wav, filename

def __len__(self):
# 音频文件的总数
return len(self.wav_list)

train_set = Aduio_DataLoader("./p225", sr=16000)
train_loader = DataLoader(train_set, batch_size=8, shuffle=True)

for (i, data) in enumerate(train_loader):
wav_data, wav_name = data
print(wav_data.shape) # torch.Size([8, 8192])
print(i, wav_name)
# ('./p225\\p225_293.wav', './p225\\p225_156.wav', './p225\\p225_277.wav', './p225\\p225_210.wav',
# './p225\\p225_126.wav', './p225\\p225_021.wav', './p225\\p225_257.wav', './p225\\p225_192.wav')

注意事项：

1. 27-33行：每个音频的长度不一样，如果直接读取数据返回出来的话，会造成维度不匹配而报错，因此只能每次取一个音频文件读取一帧，这样显然并没有用到所有的语音数据，

2. 48行：我们在__getitem__中并没有将numpy数组转换为tensor格式，可是第48行显示数据是tensor格式的。这里需要引起注意
   

栗子2

相比于案例1，案例二才是重点，因为我们不可能每次只从一音频文件中读取一帧，然后读取另一个音频文件，通常情况下，一段音频有很多帧，我们需要的是按顺序的读取一个batch_size的音频帧，先读取第一个音频文件，如果满足一个batch，则不用读取第二个batch，如果不足一个batch则读取第二个音频文件，来补充。

我给出一个建议，先按顺序读取每个音频文件，以窗长8192、帧移4096对语音进行分帧，然后拼接。得到（帧数，帧长，1）（frame_num, frame_len, 1）的数组保存到h5中。然后用上面讲到的 torch.utils.data.Dataset 和 torch.utils.data.DataLoader 读取数据。

具体实现代码：

第一步：创建一个H5_generation脚本用来将数据转换为h5格式文件：

第二步：通过Dataset从h5格式文件中读取数据

import numpy as np
from torch.utils.data import Dataset
from torch.utils.data import DataLoader
import h5py

def load_h5(h5_path):
# load training data
with h5py.File(h5_path, 'r') as hf:
print('List of arrays in input file:', hf.keys())
X = np.array(hf.get('data'), dtype=np.float32)
Y = np.array(hf.get('label'), dtype=np.float32)
return X, Y

class AudioDataset(Dataset):
"""数据加载器"""
def __init__(self, data_folder):
self.data_folder = data_folder
self.X, self.Y = load_h5(data_folder) # (3392, 8192, 1)

def __getitem__(self, item):
# 返回一个音频数据
X = self.X[item]
Y = self.Y[item]

return X, Y

def __len__(self):
return len(self.X)

train_set = AudioDataset("./speaker225_resample_train.h5")
train_loader = DataLoader(train_set, batch_size=64, shuffle=True, drop_last=True)

for (i, wav_data) in enumerate(train_loader):
X, Y = wav_data
print(i, X.shape)
# 0 torch.Size([64, 8192, 1])
# 1 torch.Size([64, 8192, 1])
# ...

我尝试在__init__中生成h5文件，但是会导致内存 * ，就很奇怪，因此我只好分开了，

参考

pytorch学习(四)—自定义数据集（讲的比较详细）

来源：https://www.cnblogs.com/LXP-Never/p/13816254.html