问题描述
我正在尝试将语音转录为文本,并在Keras中使用pad_sequences
时遇到了一个问题(我认为)。我预训练了一个在数据帧上使用pad_sequences
的模型,该模型将数据拟合到数组中,每个值的列和行数相同。但是,当我使用4 X 500
转录文本时,该语音字符串中的字符数就是作为numpy数组返回的行数。
说我有一个包含4个字符的字符串,那么它将返回一个6 X 500
Numpy数组。对于包含6个字符的字符串,它将返回import speech_recognition as sr
import pyaudio
import pandas as pd
from helperFunctions import *
jurors = ['Zack','Ben']
storage = []
storage_df = pd.DataFrame()
while len(storage) < len(jurors):
print('Juror' + ' ' + jurors[len(storage)] + ' ' + 'is speaking:')
init_rec = sr.Recognizer()
with sr.Microphone() as source:
audio_data = init_rec.adjust_for_ambient_noise(source)
audio_data = init_rec.listen(source) #each juror speaks for 10 seconds
audio_text = init_rec.recognize_google(audio_data)
print('End of juror' + ' ' + jurors[len(storage)] + ' ' + 'speech')
storage.append(audio_text)
cleaned = clean_text(audio_text)
tokenized = tokenize_text(cleaned)
padded_text = padding(cleaned,tokenized) #fix padded text elongating rows
Numpy数组,依此类推。
我要澄清的代码:
def clean_text(text,stem=False):
text_clean = '@\S+|https?:\S|[^A-Za-z0-9]+'
text = re.sub(text_clean,' ',str(text).lower()).strip()
#text = tf.strings.substr(text,300) #restrict text size to 300 chars
return text
def tokenize_text(text):
tokenizer = Tokenizer()
tokenizer.fit_on_texts(text)
return tokenizer
def padding(text,tokenizer):
text = pad_sequences(tokenizer.texts_to_sequences(text),maxlen = 500)
return text
我使用辅助功能脚本:
{{1}}
返回的文本将被输入到经过预先训练的模型中,我很确定不同长度的行会引起问题。
解决方法
Tokenizer
的方法,例如fit_on_texts
或texts_to_sequences
期望文本/字符串的列表作为输入(如其名称所示,即{{ 1}})。但是,您要向他们传递单个文本/字符串,因此,它会迭代其字符而不是假设它实际上是一个列表!
解决此问题的一种方法是在每个函数的开头添加一个检查,以确保输入数据类型实际上是一个列表。例如:
texts
您还应该对def padding(text,tokenizer):
if isinstanceof(text,str):
text = [text]
# the rest would not change...
函数执行此操作。进行此更改之后,您的自定义函数将在单个字符串和字符串列表上都可以使用。
重要的一点是,如果您在问题中输入的代码属于预测阶段,则存在根本错误:您应使用与训练模型时所用的相同的tokenize_text
实例确保映射和标记化与培训阶段相同。实际上,为每个或所有测试样本创建一个新的Tokenizer
实例是没有意义的(除非它具有与训练阶段所用的相同的映射和配置)。