Tensorflow--基于卷积神经网络实现男女声音分类识别

现在网上基本都没有对应的基于神经网络声音分类识别的较简单的教程，所以我打算通过我自己的思路，编写出一个实现男女声音识别的一个深度学习的模型。

因为没有验证过该想法是否正确，所以想通过该博客来记录实验的结果，无论最终是否能成功识别男女声音，我都想将此次的实验记录下来。

首先从网站http://festvox.org/cmu_arctic/dbs_bdl.html，爬取相关的男人和女人的声音文件。

爬取过程的代码如下，省略，以下直接用到我的代码仓库中的爬取代码：（将在最后提供爬取的男女声音文件集合，A表示男人声音，B表示女人声音）

漫长的等待结果，由于是外网，虽然声音文件都很小，但是每个都要下载很久，这里不管了，先让他慢慢爬取，接着通过博客：

https://segmentfault.com/a/1190000020905581?utm_source=tag-newest

得到对应声音的波形图绘制方法。

思路就是通过声音所生成的波形图，然后将图片代入神经网络中，让其自己分析出特征，看能否实现声音的识别。

这时候，声音还没有爬取完成，我们接着等待，可以先去吃个苹果。

爬取完成之后，选取了qq音乐中的一首歌然后试试看能不能生成：

结果出现了，错误：RuntimeWarning: Couldn\'t find ffprobe or avprobe - defaulting to ffprobe, but may not work
warn("Couldn\'t find ffprobe or avprobe - defaulting to ffprobe, but may not work", RuntimeWarning)

通过这篇博客https://blog.csdn.net/qq_40152706/article/details/89058480得知，要下载对应ffprobe的包，所以这里先下载：

设置环境变量，解压后设置环境变量。

根据上述的博客，我们可以编写出以下的生成波形图的通用函数：

def sound_to_image(filename, out):
    # 读取生成波形图
    samplerate, data = wavfile.read(filename)
    times = np.arange(len(data)) / float(samplerate)
    # print(len(data), samplerate, times)
    # 可以以寸为单位自定义宽高  frameon=False 为关闭边框
    fig = plt.figure(figsize=(20, 5), facecolor="White")
    # plt.tick_params(top=\'off\', bottom=\'off\', left=\'off\', right=\'off\', labelleft=\'off\', labelbottom=\'on\')
    ax = fig.add_axes([0, 0, 1, 1])
    ax.axis(\'off\')
    plt.fill_between(times, data, linewidth=\'1\', color=\'green\')
    plt.xticks([])
    plt.yticks([])
    plt.savefig(out, dpi=100, transparent=False, bbox_inches=\'tight\', edgecolor=\'w\')
    # plt.show()
# image_dirchange_to(r\'C:\Users\Halo\Desktop\1.6项目开发过程\',\'.jpg\',r\'C:\Users\Halo\Desktop\1.6项目开发过程\test\',\'.bmp\',20,20)