本帖是对ModelArts AI Gallery算法 构建MaxoutDNN生成d-vector用于Speaker changepoint detection的使用介绍

此模型是对论文：SPEAKER SEGMENTATION USING DEEP SPEAKER VECTORS FOR FAST SPEAKER CHANGE SCENARIOS中提出的利用d-vector检测说话人变化时间点的复现。其中MaxoutDNN是Ehsan Variani等人提出的d-vector原文中用来提取说话人特征的深层神经网络。

原文使用的是LDC的Fisher corpus数据集，由于该数据集获取资格较为严格。我们选用同样可用于Speaker verification的其他开源数据集。

训练集	Voxceleb1数据集，下载链接：https://www.robots.ox.ac.uk/~vgg/data/voxceleb/
测试集	AMI dataset中“Full corpus partition of meetings”设定的测试集

对比原文中Table2的指标结果可以达到下表中的结果：

                        Table 2. Performance when Threshod is 0.743，tolerance is 0.3

Method	复现d-vector	原文d-vector
FAR	47.69  %	39.00%
MDR	59.35  %	40.15%

                      Table 3. Performance when Threshod is 0.752，tolerance is 0.4

Method	复现d-vector	原文d-vector
FAR	48.59 %	39.00%
MDR	44.71  %	40.15%

                    Table 4. Performance when Threshod is 0.743，tolerance is 0.5

Method	复现d-vector	原文d-vector
FAR	43.14  %	39.00%
MDR	43.55  %	40.15%

代码结构如下：

1. 准备数据集

(1) 本模型基于Voxceleb1数据集进行训练。下载地址见上。下载全部以DEV开头的文件，然后使用cat vox1_dev*>vox1_dev_wav.zip指令整合成压缩包，随后通过unzip vox1_dev_wav.zip解压数据集较大因此在训练中我们仅随机选用100个Speaker作为MaxoutDNN的训练数据。

更多信息请参考Voxceleb官网

预处理步骤见preprocess.py，需要在本地对数据集进行预处理，生成对应的feature.py文件和label.py文件存在OBS里作为训练作业的备用，

为了订阅用户的训练方便，在这里提供已经预处理好可直接用于train.py文件的npy文件OBS链接：

URL:

https://e-share.obs-website.cn-north-1.myhuaweicloud.com?token=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

提取码:

123456

*有效期至: 2021/02/12 12:29:28 GMT+08:00  如果过期后仍有需要请回帖

(2) 检测Speaker change point需要选用有changepoint标注的AMI数据集。我们按照“Full corpus partition of meetings”中设定的测试集验证检测结果(其中有一些wav文件并非PCM格式因此需要进行格式转换，也可以剔除不用)

1.2 安装OBS Browser+并上传数据集

ModelArts使用对象存储服务（OBS）来存储数据，实现安全、高可靠和低成本的存储需求。OBS Browser+是一款用于访问和管理对象存储服务（Object Storage Service，OBS）的图形化工具，支持完善的桶管理和对象管理操作。OBS Browser+的图形化界面可以非常方便地让用户在本地对OBS进行管理，例如：创建桶、上传下载文件、浏览文件等。

具体操作步骤如下：
（1）点此下载OBS Browser+，下载完成后解压缩，双击exe进行安装，安装完成后运行；

（2）登录界面如下图所示，需要您填写账号名、Access Key ID（AK）和Secret Accsee Key（SK），参考此文档，获取AK和SK，华为云上的许多产品都需要用到访问密钥，请妥善保存该密钥文件，然后参考下图填写您的华为云账号名及刚获取的AK和SK，点击登录；

  (3）参考下图，点击“创建桶”，输入桶名称，注意：区域要选择华北-北京四、标准存储、私有、关闭多AZ，桶名需自定义，OBS桶名要全局唯一，如提示桶名已存在，则需要您修改为其他名称。

（4）点击桶名称，进入到桶中，点击“新建文件夹”，输入文件夹名称，如“datasets"，点击“上传”->“添加文件”-> 选择本地下载好的数据集压缩包（之所以选压缩包格式是因为如果数据集比较大，上传压缩包比上传文件夹快很多） –> 确定。

（5）点击OBS Browser+左侧的“任务管理”，可查看数据上传进度。如下图所示，点击设置，在基础设置中，设置最大并发数为最大值50，可以加快数据上传速度

注释：对于Voxceleb1数据集：上传后为压缩包，在本地解压后仍需用preprocess.py文件处理生成feature.npy和label.npy文件后才可作为train.py文件的输入。这里建议直接根据上方OBS二维码链接下载已经预处理好的 两个npy文件 并且保存在OBS自建的/input文件夹内。

           AMI数据集可直接下载.wav文件

2. 订阅本算法

点击本页面右上方的【订阅】按钮。然后点击页面下方的【下一步】按钮，再点击【确认付款】按钮，最后点击【确定】按钮进入我的订阅页面，可以看到刚刚订阅的算法。点击【应用控制台】超链接，选择华北-北京四区域，进入算法管理页面。

如下图所示，点击“同步”按钮，同步算法，可以点击刷新按钮，刷新状态。当状态变成就绪时，表示同步成功。

3. 创建训练作业

点击上图中的“创建训练作业”，按照下表填写训练作业参数：

参数名	参数值
算法名称	默认值即可，无需修改
数据来源	数据存储位置，根据上述注释中npy文件保存路径来设置。示例：obs://paper-reproduction-01/input
模型输出	在obs中创建一个output 路径，将该路径作为本参数的输出。示例：obs://paper-reproduction-01/output
batch_size	512(默认)
lr	1e-4(默认)
epoch	500(默认为2建议改为500)
decay_rate	0.1(默认)
decay_steps	140000(默认)
epsilon	0.1(默认)(标签滑动参数)
资源池	公共资源池
规格	GPU：8 * nvidia-v100 CPU：64 核 512GiB 32GiB，或者根据自己的需要进行选择。所选算力需要与batch_size的大小匹配
计算节点个数	1

点击下一步，提交，训练作业的状态会经历“初始化”、“部署中”、“运行中”和“运行成功”四个状态。训练作业运行成功后，在上表中指定的“模型输出”路径下会自动生成model目录，该目录下需有模型文件、ModelArts平台推理脚本（config.json、customize_service.py）和其他运行模型必备的文件。

4. 模型导入

准备好模型及相关的必备文件后，您可以将生成的模型导入至ModelArts模型管理。具体操作如下：

（1）在ModelArts控制台的左侧导航栏点击“模型管理” -> “模型”，点击右侧页面中的“导入”。在导入模型页面填写名称，选择元模型来源，仅支持从OBS中选择。训练作业运行完成后，在上表中指定的“模型输出”路径下会自动生成model目录。选择该model目录作为导入的模型，例如，本次可选择的目录为obs://paper-reproduction-01/output/model。

   注意：选择好元模型路径后，“AI引擎”会自动填充。如未能自动填充，请检查元模型路径是否是model目录的上一级目录，或者model目录下是否包含模型配置文件config.json。

（2）点击“立即创建”，需要一点时间来等待模型导入和构建，当模型版本状态为“正常”后，即表示模型导入成功。

5. 创建在线服务

在ModelArts上，可以将模型部署为在线服务，然后上传图片进行预测，直接在网页端观察预测结果。

部署为在线服务具体步骤如下：

（1）在ModelArts左侧导航栏中选择“部署上线 -> 在线服务”，然后点击页面中的“部署”；

（2）在部署页面填写参数，其中在“模型列表”选择要导入的模型及版本，计算节点规格选择CPU即可；

（3）点击“下一步”，参数确认无误后，点击“提交”。

提交后，您可以在在线服务列表中查看部署进度，当状态变为“运行中”后，点击服务名称，进入详情页面，点击“预测”，上传.wav音频文件进行change point检测。

6. 创建批量服务

在ModelArts上，还可以将模型部署为批量服务，从OBS加载测试集音频进行预测，然后将预测结果输出到OBS。

部署为批量服务具体步骤如下：

（1）在ModelArts左侧导航栏中选择“部署上线 -> 批量服务”，然后点击页面中的“部署”；

（2）在部署页面填写参数，其中在“模型列表”选择要导入的模型及版本，填写输入数据目录和输出数据目录，计算节点规格选择“CPU 2核 8GB”，计算节点个数设为1；

（3）点击“下一步”，参数确认无误后，点击“提交”。

提交后，您可以在批量服务列表中查看部署进度，当状态变为“运行中”后，表示正在预测中，当状态变为“运行完成”，表示这批音频文件已经预测结束，预测结果是一批txt文件，保存在上图指定的OBS输出数据目录位置中，可以前往该目录查看结果。

7. 指标评估

 代码中准备了load_weight和eval参数用于指标评估

load_weight参数
默认 (如果不更改该参数在创建训练作业时，点击右侧图片中删除标志)	我已经训好的trained_model中的ckpt文件
可更改为OBS内用户训练好的模型	自备模型必须放在输入数据的obs://paper-reproduction-01/input/model下 训练时，参数改为load_weight = /home/work/modelarts/inputs/input/model/model.ckpt

eval参数有以下两种取值：

（1）False，本算法执行模型训练过程；

（2）True，本算法加载load_weight参数指定的模型，然后执行模型评估过程。

模型评估需要支持以下三种输入情况：

2a) 创建训练作业时指定的数据存储位置training_dataset目录下，如果同时有音频和标注文件，则模型评估过程输出pred_results目录和eval_result.txt文件，前者存放所有音频文件的预测结果，后者存放模型评估的精度指标；

2b) 创建训练作业时指定的数据存储位置training_dataset目录下，如果只有音频，则模型评估过程输出pred_results目录，存放所有音频的预测结果；

2c) 创建训练作业时指定的数据存储位置training_dataset目录下，如果没有音频，则模型评估过程报错；

eval值	作用
0	执行训练过程，训练模型
1	评估指标，需要事先在输入数据的obs://paper-reproduction-01/input/下准备相应wav文件夹(及对应标注label_XML文件夹)，具体如下图所示

wav文件夹内是音频.wav文件，如下图所示(AMI数据集部分文件)

 label_XML文件夹内是wav文件的标注XML文件，如下图所示：

好了，到此即将结束了，大家感觉怎么样呢？期待大家在下方分享使用体验和感受，有问题也可以提哦，直接在下方回帖就行，会尽快解答的。