Audio data preprocessing and data loading using torchaudio
•Download as PPTX, PDF•
0 likes•180 views
facebook developer circle: seongnam, audio
Recommended
Recommended
More Related Content
What's hot
What's hot (12)
Similar to Audio data preprocessing and data loading using torchaudio
Similar to Audio data preprocessing and data loading using torchaudio (20)
Audio data preprocessing and data loading using torchaudio
- 1. seungheondoh@kaist.ac.kr SeungHeon Doh TorchAudio 와 함께하는 전처리부터 데이터 로딩
- 2. • Audio Deep Learning Task Review • TorchAudio Review • TorchAudio vs Librosa Contents
- 3. Presenter! • 도승헌 (Doh SeungHeon) • Education Master Student | GSCT KAIST Music and Audio Computing Lab • Research Interest Music Informational Retrieval, Multi-Media Discovery, Multi-Modal Deep Learning • Blog : https://seungheondoh.netlify.com/about • Github : https://github.com/dohppak 연사소개
- 4. Presenter!
- 5. Presenter! Musical Word Embedding: Bridging the Gap between Listening Contexts and Music Seungheon Doh, Jongpil Lee, Tae Hong Park, and Juhan Nam Machine Learning for Media Discovery Workshop, International Conference on Machine Learning (ICML), 2020
- 7. 발표의 중점!
- 8. 발표의 중점! • 전반적인 Audio Deep Learning Task를 알아봅니다. • 위 Task들을 푸는데 도움을 주는 Torchaudio 모듈을 알아봅니다. • 구체적인 논문 리뷰는 다루지 않습니다.
- 9. Audio Deep Learning Task? • Sound • Sound Classification & Auto-tagging (Acoustic Scene / Event Identification) • Speech • Speech Recognition (ASR, STT) • Speech Synthesis (TTS) • Speech Style Transfer (STS) Sound, Speech, Music • Music • Music Generation • Source Separation • Singing Voice Synthesis • Instruments Transcription • Music Classification. Auto-tagging • Music Recommendation…
- 10. Audio Deep Learning Task? • Sound • Speech Classification - Activation • Speech • Speech Recognition (STT) - Input User Interface • Speech Synthesis (TTS) - Output of Interaction With Smart Speaker!
- 11. Audio Deep Learning Task? Speech Application? https://www.youtube.com/watch?v=klnfWhPGPRs&ab_channel=naverd2 https://www.youtube.com/watch?v=aqoXFCCTfm4&ab_channel=Apple
- 12. Audio Deep Learning Task? Music Application? Dhariwal, Prafulla, et al. "Jukebox: A generative model for music.” ICLR 2020 Juheon Lee, Hyeong-Seok Choi, et al, “Adversarially Trained End-to-end Korean Singing Voice Synthesis System”, in Proceedings of Interspeech, 2019, Best Student Paper Award
- 13. Audio Deep Learning Task? Sound Classification & Auto-tagging
- 14. Audio Deep Learning Task? Music Auto-tagging Nam, Juhan, et al. "Deep learning for audio-based music classification and tagging: Teaching computers to distinguish rock from bach." IEEE signal processing magazine 2018 Data Loader WavLabel Cross Entropy Loss Loss Input Feature Label Score Label Model
- 15. Audio Deep Learning Task? Speech Recognition Data Loader WavText Attention! Cross Entropy Loss Loss Input Feature Label Score Greedy Decoder Edit-Distance 오늘 날씨가 어때? CER Label Listen, Attend and Spell https://arxiv.org/abs/1508.01211 https://github.com/clovaai/ClovaCall/tree/master/las.pytorch
- 16. Audio Deep Learning Task? Speech Synthesis Data Loader WavText Mel Loss Loss Input Feature Decoder Mel Output Encoder & Attention Mel Post Net Linear Output Linear Loss Tacotron: Towards End-to-End Speech Synthesis: https://arxiv.org/abs/1703.10135 https://github.com/r9y9/tacotron_pytorch
- 17. Audio Deep Learning Task? Source Separation Music Source Separation in the Waveform Domain https://github.com/facebookresearch/demucs Data Loader Wav Reconstruction Loss Loss Mixed Audio Separate Audio Label Model Wav Wav
- 18. Audio Input? Auto-tagging Data Loader WavLabel Cross Entropy Loss Loss Input Feature Label Score bel Model Speech Recognition Data Loader WavText Attention! Cross Entropy Loss Loss Input Feature Label Score Greedy Decoder Edit-Distance 오늘 날씨가 어때? CER Label Speech Synthesis Data Loader WavText Mel Loss Loss Input Feature Decoder Mel Output Encoder & Attention Mel Post Net Linear Outpu Linear Loss
- 19. Audio Input? Auto-tagging Data Loader WavLabel Cross Entropy Loss Loss Input Feature Label Score bel Model Speech Recognition Data Loader WavText Attention! Cross Entropy Loss Loss Input Feature Label Score Greedy Decoder Edit-Distance 오늘 날씨가 어때? CER Label Speech Synthesis Data Loader WavText Mel Loss Loss Input Feature Decoder Mel Output Encoder & Attention Mel Post Net Linear Outpu Linear LossWaveform or Spectrogram! Sampling Rate STFT
- 20. Torch Audio! I/O Transforms Dataset 데이터 Load, Save! Wav > Spectrogram Data Augmentation LIBRISPEECH YESNO GTZAN
- 21. torchaudio.load I/O Functionality Data load시 [Channel, Waveform] Mono인 경우는 Channel 이 1이지만, 아닌경우는 Channel을 Mono로 바꿔주는 작업이 필요함! .mean(axis=1)
- 22. torchaudio.load 소리 = 진동으로 인한 공기의 압축 압축이 얼마나 됬느냐 = Wave(파동) Format of Audio len(D) = {Sampling Rate x Duration}
- 23. torchaudio.load Format of Audio len(D) = {Sampling Rate x Duration}
- 24. torchaudio.load I/O Functionality sox : Default, 16-bit signed integer외 에는 에러가 발생할때가 있음 sox_io : Recommended, 그러나 윈도우에는 적용이 안됨… Soundfile : PySoundFile을 별도로 설치해 주셔야 사용이 가능합니다.
- 25. torchaudio.load, torchaudio.save I/O Functionality Data load and Save 시 train-clean-100/19/198/19-198-0001.flac - 225 kB 성능은 비슷하다… Save 시 sox_io 가 좀더 좋은 퍼포먼스를 보이는듯! 0 0.001 0.002 0.003 0.004 0.005 0.006 0.007 loader_mean saver_mean sox sox_io soundfile
- 26. torchaudio.load, torchaudio.save I/O Functionality Data load and Save 시 train-clean-100/19/198/19-198-0001.flac - 225 kB 성능은 비슷하다… Save 시 sox_io 가 좀더 좋은 퍼포먼스를 보이는듯!
- 27. torchaudio.transform Auto-tagging Data Loader WavLabel Cross Entropy Loss Loss Input Feature Label Score bel Model Speech Recognition Data Loader WavText Attention! Cross Entropy Loss Loss Input Feature Label Score Greedy Decoder Edit-Distance 오늘 날씨가 어때? CER Label Speech Synthesis Data Loader WavText Mel Loss Loss Input Feature DecoderEncoder & Attention Post Net Linear Los Mel Mel Output Linear Outp
- 28. torchaudio.transform - Amplitude(Intensity) : 진폭 - Frequency : 주파수 - Phase(Degress of displacement) : 위상
- 29. torchaudio.transform - Amplitude(Intensity) : 진폭 - Frequency : 주파수 - Phase(Degress of displacement) : 위상
- 30. torchaudio.transform - FFT는 시간에 흐름에 따라 신호의 주파수가 변했을때, 어느 시간대에 주파수가 변하는지 모르게 됩니다. STFT는 시간의 길이를 나눠서 이제 퓨리에 변환을 하게 됩니다.
- 31. torchaudio.transform - 우리의 인지기관이 categorical한 구분을 하기 때문입니다 멜 스펙트럼은 주파수 단위를 다음 공식에 따라 멜 단위로 바꾼 것을 의미합니다. 이 멜 필터는 저주파 주변에서 얼마만큼 에너지가 있는지를 알려줍니다.
- 33. torchaudio.transform Transform [Channel, Mel, Time] 장점 - nn.Sequential 에 묶어서 연산을 처리할 수 있다. - 즉 Audio Path, index만 있으면 load 이후로는 GPU에서 놀수 있다는 것!
- 34. torchaudio.transform Transform [Channel, Mel, Time] SpecAugment: A Simple Data Augmentation Method for Automatic Speech Recognition https://arxiv.org/abs/1904.08779
- 35. torchaudio.transform Transform Resampling Sample Rate가 그렇게 중요하지 않을 때 연산 효율성을 위해서 활용합니다. 음성의 경우 SR이 8000만 되도 인지적으로 구분이 가능합니다. mu-law encoding 사람의 귀는 소리의 amplitude에 대해 log적으로 반응합니다. 작은값에는 높은 분별력(high resolution)을, 큰값끼리는 낮은 분별력(low resolution)을 갖도록 합니다.
- 36. torchaudio.Dataset Dataset All datasets are subclasses of torch.utils.data.Dataset i.e, they have __getitem__ and __len__ methods implemented. Hence, they can all be passed to a torch.utils.data.DataLoader which can load multiple samples parallelly using torch.multiprocessing workers
- 37. torchaudio.Dataset DataLoader! Data Loader를 전처리 함수 Collate_fn만 잘 설계하면 더 편하게 짤수 있다!
- 39. Torchaudio 꼭 필요한가요? wavio madmom tf.signal Keras Audio Preprocessors np.memmap()
- 40. Torchaudio 꼭 필요한가요? torchaudio 이전의 Audio Dataloader
- 41. Torchaudio 꼭 필요한가요? data_manager.py Wav hparmas.py feature_extraction.py .npy Wavaudio_augmentation.py src/model.pytrain_test.py src/metric.pyinference.py src/utils.py Wav Wav torchaudio 이전의 Audio Dataloader
- 42. Torchaudio 꼭 필요한가요? data_manager.py Wav hparmas.py feature_extraction.py .npy audio_augmentation.py src/model.pytrain_test.py src/metric.pyinference.py src/utils.py torchaudio 이전의 Audio Dataloader .librosa.stft()를 통해 CPU 연산 + 하드 저장공간 필요 WavWav Wav
- 43. Torchaudio 꼭 필요한가요? data_manager.py Wav hparmas.py feature_extraction.py .npy Wavaudio_augmentation.py src/model.pytrain_test.py src/metric.pyinference.py src/utils.py Wav Wav torchaudio 이전의 Audio Dataloader .DataLoader를 통해 load 이후, to(device)로 GPU로
- 44. Torchaudio 꼭 필요한가요? data_manager.py Wav hparmas.py Wavaudio_augmentation.py src/model.pytrain_test.py src/metric.pyinference.py src/utils.py Wav Wav torchaudio 이전의 Audio Dataloader Dataset의 __getitem__(self, index) 에서 STFT 연산 후 GPU로 feature_extraction
- 45. Torchaudio 꼭 필요한가요? 0.03 0.050.07 0.090.09 0.150.15 0.370.23 0.650.38 1.43 0.69 2.702.64 11.54 torchaudio liborsa 2 4 8 16 32 64 128 512 CPU
- 46. Torchaudio 꼭 필요한가요? 0.03 0.050.07 0.090.09 0.150.15 0.370.23 0.650.38 1.43 0.69 2.702.64 11.54 torchaudio liborsa 2 4 8 16 32 64 128 512 CPU
- 47. CPU vs GPU 그렇다면 TorchAudio의 장점을 살리기 위해 STFT부터 GPU에서 돌리면 되는거 아닌가요?
- 48. CPU vs GPU 0.0111 0.001 0 0.002 0.004 0.006 0.008 0.01 0.012 CPU GPU MelSTFT MelSTFT
- 49. CPU vs GPU 0.0111 0.001 0.175 0.0073 0 0.02 0.04 0.06 0.08 0.1 0.12 0.14 0.16 0.18 0.2 CPU GPU MelSTFT One Instance MelSTFT One Batch
- 50. Librosa • Visualization • Music Domain Specific Modules • Filters • Tempo • Onset • Filter • Segment
- 51. Librosa • Visualization • Music Domain Specific Modules + Examples! • Filters • Tempo • Onset • Filter • Segment
- 52. CPU vs GPU https://github.com/KinWaiCheuk/nnAudio K. W. Cheuk, H. Anderson, K. Agres and D. Herremans, "nnAudio: An on-the-fly GPU Audio to Spectrogram Conversion Toolbox Using 1D Convolutional Neural Networks," in IEEE Access, doi: 10.1109/ACCESS.2020.3019084.
- 53. Visualization! https://pytorch.org/tutorials/beginner/audio_preprocessing_tutorial.html .numpy()
- 55. Take Home message • Torchaudio 는 tensor 연산을 지원한다는 점에서 좋다! 언제든 GPU로 보낼수 있음!, .to(device) • Best Practice는 자신의 CPU, GPU 리소스에 따라서 다르지만 1080ti 이상의 스펙이라면 waveform 이후 STFT등 연산은 GPU에서 하는게 더 좋은 것 같다. (조금 더 찾아보면 GPU로 바로 dataload도 가능하다) • 물론 하드에 저장공간 많으면 feature를 npy로 가지고 있으면 편하게 실험이 가능하다. 하지만 hparams 별 feature를 뽑을 실험 설계를 할 정도의 리소스가 있을 것인가!
- 56. Thank you for watching.
- 57. Q & A
Editor's Notes
- TORCHAUDIO 0.6,
- Encoder로서 음성 신호를 high level feature Listener는 BLSTM을 Pyramidal 형식으로 3개를 붙여서 사용하고 있다. Speller는 Decoder로서, attention-based LSTM 변환기 역할을 맡고 있다 입력 음성에 대해 알맞는 sequence의 log probability를 maximize한다 음성 데이터 input은 Mel-Spectrogram을 사용하여 number of mel을 40으로 주고 10ms마다 features들을 뽑았다 (40 dimensional log-mel filter bank).
- CBHG는 Convolution Bank + Highway + GRU 먼저 디코더의 출력인 Mel-Spectrogram 출력과 타겟 Mel-Spectrogram과의 L1 Distance를 구한다. Linear-Spectrogram 출력과 타겟 Linear-Spectrogram과의 L1 Distance를 구한다. 마찬가지로 Linear-Loss로 정의한다 입력 텍스트 및 타겟 오디오를 전처리하여 Mel-Spectrogram과 Linear-Spectrogram을 준비해놔야 한다
- For the reconstruction loss L(gs(x; θ), xs) in equation 1, we either use the average mean square error or average absolute error between waveforms: for a waveform xs containing T samples and corresponding to source s, a predicted waveform xˆs and denoting with a subscript t the t-th sample of a waveform, we use one of L1 or L2:
- Create a Dataset for LibriSpeech. Each item is a tuple of the form: waveform, sample_rate, utterance, speaker_id, chapter_id, utterance_id