我想用Keras创建一个音频分类系统，简单地判断给定的样本中是否包含人声。就这些。这将是我第一次尝试机器学习。
这个音频预处理器已经存在。它声称尚未完成，但已经被fork了几次：
https://github.com/drscotthawley/audio-classifier-keras-cnn
我不明白这个怎么运作，但我准备尝试一下：
https://github.com/keunwoochoi/kapre
假设我让其中一个运作起来了，接下来的过程会不会和图像分类类似？基本上，我从未完全理解什么时候使用Softmax，什么时候使用ReLu。一旦我将数据映射为张量，这在处理声音时会不会和处理图像时类似？
回答：
声音可以被视为一维图像，并通过一维卷积进行处理。通常，扩张卷积可能会做得很好，参见Wave Nets
声音也可以被视为序列，并通过RNN层进行处理（但对于大量数据来说，RNN可能过于庞大）
对于你的情况，你只需要一个输出，在最后使用'sigmoid'激活函数和'binary_crossentropy'损失函数。
- 结果 = 0 -> 无声音
- 结果 = 1 -> 有声音
什么时候使用’softmax’？
Softmax函数适用于多类问题（不适用于你的情况），你希望结果只有一个类。Softmax函数的所有结果之和为1。它被设计为每个类的概率。
它主要用于最终层，因为你只得到最终结果的类别。
它适用于只有一个类是正确的情况。在这种情况下，它与损失函数categorical_crossentropy配合得很好。
模型中间的Relu和其他激活函数
这些没有严格的规则。有很多可能性。我经常在图像卷积模型中看到relu。
需要了解的重要事情是它们的“范围”。它们的输出有什么限制？
- Sigmoid：从0到1 —— 在模型的末端，这将是你的存在/不存在分类的最佳选择。也适用于希望多个可能类别一起出现的模型。
- Tanh：从-1到1
- Relu：从0到无穷大（它简单地切断负值）
- Softmax：从0到1，但确保所有值的总和为1。适用于希望在多个类别中只选择一个类别的模型的末端。
