基于神经网络的实时语音激活（二）（附四层神经网络源码，识别率0.96左右）

由于大部分的音频数据库采用的是16000的采样率，因此以下的所有方法均针对16000的采样率，这里推荐一位前辈的博客，实测效果不错，连数据集都已经准备好了
[python+keras实现语音识别]
直接导入16000个点（数据库里面本身就是一秒的音频，非常方便，而且也没有0之内的）
效果还不错，但是作者应该是没有使用MFCC的特征表达，就是做了一些正数化的预处理。
本人使用的平台是RK3399pro，所以还是得用pb模型，就用tensorflow重新写了一遍（这里我还是抱有怀疑，毕竟参数越多，过拟合越严重，这个模型的效果拿到别的地方去很有可能非常差，仅仅是本文作者的猜测）
附上链接如下，包括测试，直接在github里面下载即可（使用的还是那个数据库）
[[python+tensorflow四层网络语音识别]]
但是，既然音频的长度为16000，就意味着不是实时的了，对音频的处理最多不可以超过200ms，除去杂七杂八的运行时间，那么每段输入音频的时间就只剩下50ms左右，50ms左右的特征点就不是很足了，要在多种噪音环境下把人声给识别出来，得另外想一个办法，比如MFCC和他的一阶差分二阶差分。
或者我可以试试其他的网络来解决这个问题（http://colah.github.io/posts/2015-08-Understanding-LSTMs/），从两个方向去研究
我到现在还有些概念没有弄清楚，特在此留下笔记：
batchsize：中文翻译为批大小（批尺寸）。在深度学习中，一般采用SGD训练，即每次训练在训练集中取batchsize个样本训练；
iteration：中文翻译为迭代，1个iteration等于使用batchsize个样本训练一次；
一个迭代 = 一个正向通过+一个反向通过
epoch：迭代次数，1个epoch等于使用训练集中的全部样本训练一次；
一个epoch = 所有训练样本的一个正向传递和一个反向传递
举个例子，训练集有1000个样本，batchsize=10，那么：
训练完整个样本集需要：
100次iteration，1次epoch。