【Day2】恢复2：从1小时到3小时

Teacher Forcing
原来：预测1，1教2，2教3，3教4；
缺点：万一1错了，岂不对后面预测直接完了。
新方法：Teacher Forcing用于训练：
具体解释：先令1为True，1教2，再令2为True，2教3，以此类推。

补充昨天的缺失内容：
递归神经网络：输入（Input Layer）+隐层（Hidden Layer）+输出（Output Layer）
输入：t1，t2，t3，t4…tn(训练过程无法考虑时间序列，每个操作独立)
RNN：隐层多了一个往回的圈，把当前数据给下一次输入（有了相关性）

word2vec
将单词转化为特征向量

LSTM

参数C：控制模型复杂度,适当丢失信息；（启示：不是信息越多越好）

【理论部分】
训练集介绍：timit数据集
？？.wav：音频内容
？？.txt：文本内容
？？.wrd：逐个词，出现时间的位置（时间对齐）
？？.phn：逐个音标，时间标注

写代码前需要确定内容：
path：数据集的位置
label：数据标签
字典：每个字对应的id映射
考虑特殊字符0：起始字符，1：终止字符，2：…

创建语料表和特殊字符：句子开始，句子结束，‘-’空格
英文：a b c d 等
标点：\‘ , . 等

【实践部分】
【数据读入准备部分】：
写个读数据的小脚本
config(配置文件)

librosa包
请阅读《音频处理库—librosa的安装与使用》
https://blog.csdn.net/zzc15806/article/details/79603994
包括
✳音频读取函数load( )
重采样函数resample( )
✳短时傅里叶变换stft( )
幅度转换函数amplitude_to_db( )
频率转换函数hz_to_mel( )等
详细可参考librosa官网 http://librosa.github.io/ librosa/core.html

文本准备：
略（上面有）