معرفی شرکت ها

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

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

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

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

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

توضیحات

Audio augmentations library, for audio in the time-domain.

ویژگی	مقدار
سیستم عامل	-
نام فایل	audio-augmentations-0.1.3
نام	audio-augmentations
نسخه کتابخانه	0.1.3
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	Janne Spijkervet
ایمیل نویسنده	janne.spijkervet@gmail.com
آدرس صفحه اصلی	https://github.com/spijkervet/audio-augmentations
آدرس اینترنتی	https://pypi.org/project/audio-augmentations/
مجوز	MIT

# Audio Augmentations Audio augmentations library for PyTorch for audio in the time-domain, with support for stochastic data augmentations as used often in self-supervised / contrastive learning. ## Usage We can define several audio augmentations, which will be applied sequentially to a raw audio waveform: ``` from audio_augmentations import * audio, sr = torchaudio.load("tests/classical.00002.wav") num_samples = sr * 5 transforms = [ RandomResizedCrop(n_samples=num_samples), RandomApply([PolarityInversion()], p=0.8), RandomApply([Noise(min_snr=0.3, max_snr=0.5)], p=0.3), RandomApply([Gain()], p=0.2), RandomApply([HighLowPass(sample_rate=sr)], p=0.8), RandomApply([Delay(sample_rate=sr)], p=0.5), RandomApply([PitchShift( n_samples=num_samples, sample_rate=sr )], p=0.4), RandomApply([Reverb(sample_rate=sr)], p=0.3) ] ``` We can return either one or many versions of the same audio example: ``` transform = Compose(transforms=transforms) transformed_audio = transform(audio) >> transformed_audio.shape[0] = 1 ``` ``` audio = torchaudio.load("testing/classical.00002.wav") transform = ComposeMany(transforms=transforms, num_augmented_samples=4) transformed_audio = transform(audio) >> transformed_audio.shape[0] = 4 ``` Similar to the `torchvision.datasets` interface, an instance of the `Compose` or `ComposeMany` class can be supplied to a torchaudio dataloaders that accept `transform=`. ## Optional Install WavAugment for reverberation / pitch shifting: ``` pip install git+https://github.com/facebookresearch/WavAugment ```

نیازمندی

مقدار	نام
-	numpy
-	torch
-	torchaudio
-	essentia

زبان مورد نیاز

مقدار	نام
>=3.6.0	Python

نحوه نصب

نصب پکیج whl audio-augmentations-0.1.3:

pip install audio-augmentations-0.1.3.whl

نصب پکیج tar.gz audio-augmentations-0.1.3:

pip install audio-augmentations-0.1.3.tar.gz