本文介绍如何使用AiEduLab.tech从零构建、训练音频分类模型。流程非常简单：拖拽积木搭建模型------下载训练数据------训练模型------进行预测。
一、该实验所需软硬件条件
1、浏览器支持WebGL2.0。若打开训练页面后端显示CPU：
①若您的计算机操作系统内置Edge浏览器，可直接使用Edge浏览器。若未开启WebGL加速，参考以下Chrome浏览器设置方法。
② 在Chrom中点击右上角"..."，在弹出菜单中选择"设置"，在打开的页面左侧列表选择"系统"，将页面中"使用图形加速功能（如果可用）"选项设置为开启。
③若您使用Win7操作系统，应安装Chrome109（最后一个支持Win7的版本）后，在地址栏输入"chrome://flags"并打开，搜索"Override software rendering list"以及"WebGL Developer Features"并设置为打开状态。如果仍无法启用，则搜索WebGL并开启相关选项且更新您显卡的驱动再试。
2、使用核显、独立显卡均可。服务器不会收集我们的数据，也不会保存模型，所有算力均使用本地计算机算力。
二、音频分类方法
音频分类时有些使用原始波形，有些使用处理后的波形，它们各有优劣，但当前的主流还是把声音转换成更成熟的图像喂给模型。在本实验中，我们使用的是处理后的波形------将声音转化为梅尔谱图，而后用类似于手写数字分类的模型来学习分类任务。
1、模型构建中需要注意的问题：之前使用MNIST数据集进行文本分类时，图片为单通道28*28，所以输入为（None,28,28,1）。当前梅尔图谱页使用单通道，而图片大小需要根据数据管理器的设置来填写。例如采用以下设置：
那么，输入应设置为（None,32,34,1），即在设置之后界面上所提示的32×34（频带×帧）的值。采样率、梅尔频带数、FFT大小、帧移等参数会直接影响最终梅尔谱图里声音细节保留多少------影响图片的大小：如果追求保留更多细节，那么生成的图片也会较大，训练速度也就会慢一些。
2、模型
使用类似之前MNIST手写数字分类的模型即可：
构建好模型之后，点击"导出XML"以供下次重新编辑模型，点击"导出训练模型"得到用于训练的JSON模型。
3、数据和清洗
为了便于初学者学习，我们使用公开数据集FSDD。在有条件的情况下，推荐更换为自己采集的数据集。
和图像分类相同的，首先配置维度：我们的模型是顺序模型------单输出头，所以数据维度只有一个，它含有10个标签。在数据管理器中右侧列表区域显示的是实际的梅尔谱图，而左侧预览区域显示的是着色之后的图片------人眼对彩色图片比灰度图更敏感，这使得我们易于观察梅尔谱图的差异。
如果我们需要观察原始音频，可以在"预测器"或"录制音频"工具导入（录制）它们进行观察。
对于初学者，"设置"保持默认是最好的选择。得到样本之后，点击"导出训练数据"即可。
4、模型训练
在模型训练器中，导入做好的JSON模型和训练数据，而后配置音频增强（如果你使用的数据中每个标签都达到几千那么可以不启用，但如果数据量和范例一样少，那么应该开启数据增强）：
而后，配置学习率、批次大小等超参数，即可点击"开始训练"按钮开始训练模型，训练过程中关注训练损失---验证损失各自变化和相对大小关系，以判定模型训练效果；对于该实验也可以简单的观察acc和val_acc，如下图使用范例模型和数据在几轮训练之后就能看到明显效果：
如果想要取得更好的训练效果，应增增加训练轮数直到模型表现出过拟合倾向停止训练、增加训练数据、增加模型容量。这些请自行验证。
5、预测------模型的使用
训练结束后，点击"导出已训练模型"，然后把模型导入到预测器中。此时，可以选择录音或导入文件来进行预测，第一次预测耗时会较长，后续耗时应在几毫秒到几十毫秒之间：
导出训练后的模型也可以用作移动端、嵌入式设备，可以将之前介绍过的手写数字识别的ESP32实验迁移到音频识别中。当然，我们也可以把导出的ONNX模型拿到其他平台进行使用。