CNN temporel pour classer les sons: cur_target assertion

Question

Je veux construire un CNN dans Torch pour classer de (petits) enregistrements audio. J'ai quelques échantillons, chacun avec 16608x1 échantillons (je peux les compresser s'ils sont trop gros). Il y a environ 300 échantillons (900 si nécessaire, mais je veux d'abord essayer avec ce petit ensemble) pour être classés en 30 classes.

Voici ce que j'ai écrit jusqu'à présent:

net = nn.Sequential() 
-- 1 
net:add(nn.TemporalConvolution(1, 640, 1529)) 
net:add(nn.TemporalMaxPooling(4)) 
net:add(nn.LogSoftMax()) 
-- 2 
net:add(nn.TemporalConvolution(640, 15, 647)) 
net:add(nn.TemporalMaxPooling(9)) 
net:add(nn.LogSoftMax()) 
-- review 
net:add(nn.View(347 * 15)) 
net:add(nn.Linear(347 * 15, 450)) 
net:add(nn.ReLU()) 
net:add(nn.Linear(450, 128)) 
net:add(nn.ReLU()) 
net:add(nn.Linear(128, 30)) 
net:add(nn.LogSigmoid()) 

-- class setup 
-- mean to 0, stdv to 1 

criterion = nn.ClassNLLCriterion() 
trainer = nn.StochasticGradient(net, criterion) 
trainer.learningRate = 0.01 
trainer.maxIteration = 15 
trainer:train(trainset) 

Quand je lance, il y a une erreur dans ClassNLLCriterion.c avec l'erreur sur le assertion (cur_target >= 0 && cur_target < n_classes).

En outre, tous les numéros sont expérimentaux et je suis expérimenter (ce qui est l'un de mes premier CNN)

Answer 1

Il semble que votre classe cible est hors de portée. Vous avez défini le réseau comme ayant 30 classes comme sortie de votre réseau, mais peut-être votre rame a < 1 ou> 30 classes.

Notez également que les classes de torche sont indexées de 1 à N.