معرفی شرکت ها

ast-slizovskaia-0.1.4

Card image cap
تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر
Card image cap
تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر
Card image cap
تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر
Card image cap
تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر
Card image cap
تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر
0.1.4
0.1.3
0.1.2
0.1.1
0.1.0
0.1.4
0.1.3
0.1.2
0.1.1
0.1.0

توضیحات

Test exercise AST model on the ESC-50 dataset
ویژگی مقدار
سیستم عامل -
نام فایل ast-slizovskaia-0.1.4
نام ast-slizovskaia
نسخه کتابخانه 0.1.4
نگهدارنده []
ایمیل نگهدارنده []
نویسنده Olga Slizovskaia
ایمیل نویسنده oslizovskaia@gmail.com
آدرس صفحه اصلی -
آدرس اینترنتی https://pypi.org/project/ast-slizovskaia/
مجوز -
# Test implementation for Audio Spectrogram Transformer by Olga Slizovskaia This repository provides a test implementation of the Audio Spectrogram Transformer described in the original [paper](https://arxiv.org/pdf/2104.01778.pdf). Please, note, that this implementation is lacking several important details compared to the original paper, such as dataset normalization, data augmentation routines and optimal hyperparameters selection. The results that you will obtain using the code provided in this repository, will differ severely from the results reported in the original paper. ## Requirements This repository requires a working python3.9 installation and uses poetry for dependency management and packaging. Please, install [poetry](https://python-poetry.org/docs/#installation) using the official guidelines. You also need to download the [ESC-50 dataset](https://dagshub.com/kinkusuma/esc50-dataset) and specify the path to the dataset as ```dataset_dir``` parameter in [hparams.py](./ast_slizovskaia/hparams.py) configuration file. ## Installation To install all necessary dependencies, run: ```poetry env use 3.9``` ```poetry install``` ## Usage We use the standard 5-fold cross-validation scheme for evaluating the classification model. The folds are defined in the datasets meta file and hardcoded for training. To train and evaluate the model, run: ```python train.py``` or ```poetry run python train.py ```. ## Results The best test accuracy score achieved with this model without any pretraining is 0.39 as you can see in the following plot: ![test_accuracy](./ast_slizovskaia/data/test_accuracy.png) The model overfits singnificantly reaching training loss values as low as 1.8 and only reaching validation and test loss values about 2.3.


نیازمندی

مقدار نام
>=0.9.2,<0.10.0 librosa
>=1.21.0,<2.0.0 numpy
>=4.61.2,<5.0.0 tqdm
>=1.3.8,<2.0.0 pytorch-lightning
>=0.12.1,<0.13.0 torchaudio
>=1.4.4,<2.0.0 pandas
>=0.4.1,<0.5.0 einops


زبان مورد نیاز

مقدار نام
>=3.8,<4.0 Python


نحوه نصب


نصب پکیج whl ast-slizovskaia-0.1.4:

    pip install ast-slizovskaia-0.1.4.whl


نصب پکیج tar.gz ast-slizovskaia-0.1.4:

    pip install ast-slizovskaia-0.1.4.tar.gz