Posted on Categories:CS代写, Machine Learning, 机器学习, 计算机代写

计算机代写|深度学习代写Deep Learning代考|Live-Talking Test Set

如果你也在 怎样代写深度学习Deep Learning这个学科遇到相关的难题,请随时右上角联系我们的24/7代写客服。深度学习Deep Learning(也称为深度结构化学习)是更广泛的机器学习方法系列的一部分,它是基于人工神经网络的表征学习。学习可以是监督的、半监督的或无监督的。

深度学习Deep Learningg架构,如深度神经网络、深度信念网络、深度强化学习、递归神经网络、卷积神经网络和变形金刚,已被应用于包括计算机视觉、语音识别、自然语言处理、机器翻译、生物信息学、药物设计、医学图像分析、气候科学、材料检测和棋盘游戏程序等领域,它们产生的结果与人类专家的表现相当,在某些情况下甚至超过了人类专家。人工神经网络(ANNs)的灵感来自于生物系统的信息处理和分布式通信节点。人工神经网络与生物大脑有各种不同之处。具体来说,人工神经网络倾向于静态和符号化,而大多数生物体的生物脑是动态(可塑性)和模拟的。

深度学习Deep Learning代写,免费提交作业要求, 满意后付款,成绩80\%以下全额退款,安全省心无顾虑。专业硕 博写手团队,所有订单可靠准时,保证 100% 原创。 最高质量的深度学习Deep Learning作业代写,服务覆盖北美、欧洲、澳洲等 国家。 在代写价格方面,考虑到同学们的经济条件,在保障代写质量的前提下,我们为客户提供最合理的价格。 由于作业种类很多,同时其中的大部分作业在字数上都没有具体要求,因此深度学习Deep Learning作业代写的价格不固定。通常在专家查看完作业要求之后会给出报价。作业难度和截止日期对价格也有很大的影响。

avatest™帮您通过考试

avatest™的各个学科专家已帮了学生顺利通过达上千场考试。我们保证您快速准时完成各时长和类型的考试,包括in class、take home、online、proctor。写手整理各样的资源来或按照您学校的资料教您,创造模拟试题,提供所有的问题例子,以保证您在真实考试中取得的通过率是85%以上。如果您有即将到来的每周、季考、期中或期末考试,我们都能帮助您!

在不断发展的过程中,avatest™如今已经成长为论文代写,留学生作业代写服务行业的翘楚和国际领先的教育集团。全体成员以诚信为圆心,以专业为半径,以贴心的服务时刻陪伴着您, 用专业的力量帮助国外学子取得学业上的成功。

•最快12小时交付 

•200+ 英语母语导师 

•70分以下全额退款

想知道您作业确定的价格吗? 免费下单以相关学科的专家能了解具体的要求之后在1-3个小时就提出价格。专家的 报价比上列的价格能便宜好几倍。

我们在计算机Quantum computer代写方面已经树立了自己的口碑, 保证靠谱, 高质且原创的计算机Quantum computer代写服务。我们的专家在深度学习Deep Learning代写方面经验极为丰富,各种深度学习Deep Learning相关的作业也就用不着 说。

计算机代写|深度学习代写Deep Learning代考|Live-Talking Test Set

计算机代写|深度学习代写Deep Learning代考|Live-Talking Test Set

In this live-talking database, the talkers spoke directly into the terminal device (i.e. a smartphone or a laptop). The test participants were instructed to talk loudly, quietly, with loudspeaker, or music in the background to obtain different test scenarios and speech quality distortions. Depending on the condition, the talkers were located in different environments, such as in a café, inside a car on the highway, inside a building with poor reception, elevator, shopping centre, subway/metro station, on a busy street, etc. Most of the talkers used their mobile phone to call either through the mobile network or with a VoIP service (Skype/Facebook). The calls were recorded on a Laptop for the VoIP calls and on a Google Pixel 3 for the mobile phone calls. The conversations were either spontaneous or based on scenarios taken from ITU-T Rec. P.805 (2007). Then 6-12 s segments were extracted from the conversations and rated regarding their overall quality and speech quality dimensions.

The final database consists of 58 different conditions (see Table A.2 in the Appendix) with each 4 different files, resulting in 232 files overall. The speech files were recorded from 8 different talkers (4 males and 4 females) in German, where for each condition 2 male and 2 female talkers were selected. The listening experiment was conducted with the same questionnaire as the training and validation sets described in Sect. 3.1, and however instead of in the crowd, the test was performed in a soundproof room at the Quality and Usability Lab. Each file was rated by 24 test participants, resulting in 96 votes per condition. The dataset is described in detail by Chehadi (2020).

It should be noted that this test dataset is highly independent of the training and validation sets. It is the only dataset in which real phone calls were conducted, and the speech was acoustically transmitted from the talker’s mouth to the microphone. While the live training and validation set NISQA_TRAIN_LIVE / NISQA_VAL_LIVE also contained some real background noise distortions (e.g. street noise coming from an open window), in this dataset the test participants went to a number of different places with different ambient sounds. Also, each participant used their own device for the recordings, which are not contained in the training set.

计算机代写|深度学习代写Deep Learning代考|Model and Training

The NISQA model is a CNN-SA-AP neural network with a CNN for framewise feature calculation, a self-attention network with two layers for time-dependency modelling, and a final network with attention-pooling. The CNN and time-dependency stages are shared between the overall quality and the speech quality dimension tasks,while there is a separate pooling network for each quality dimension and the overall quality. A top-level diagram of this model can be seen in Fig. 5.4 of Chap. 5.

Because the aim is to train a model that gives robust results even for unknown speech samples from different sources, many different datasets are applied for training and validation. These datasets are conducted in completely different surroundings, with different participants, languages, equipment, and quality range of the containing files. In fact, many of the datasets are narrowband datasets. That means that the highest possible quality (clean narrowband signal) in these datasets would only be rated with a MOS around 3.8 in a fullband scale listening experiment (ITUT Rec. P.863.1 2019). To be able to increase the model’s performance by adding these datasets with different subjective experiment biases, the bias-aware loss presented in Chap. 6 is applied. The model is anchored to the fullband dataset NISQA_TRAIN_SIM as described in Sect. 6.1.2 and therefore predicts speech quality in a fullband context.

For most of the datasets, only overall speech quality ratings are available. This means these datasets cannot be used to train the dimension ratings. One solution to overcome this problem is to first only train the overall MOS part of the model with the datasets that only have overall MOS ratings available and then afterwards finetune the whole model with datasets that have overall MOS and dimension ratings available. However, the downside of this approach is the effect of catastrophic forgetting (French 1999) in neural networks. When neural networks are trained in sequence on different tasks or data, they tend to forget most of the initially learned features and mostly concentrate on the last learned task/data.

Because of this, in this work, the model is trained with all available data, while the missing ratings are ignored when calculating the loss. To this end, instead of the MSE (mean square error), a NaN-MSE loss function $\mathcal{L}_{\mathrm{NaN}}$ is used that ignores missing values which are filled with “Not a Number” $(\mathrm{NaN})$. It is implemented in PyTorch as shown in Algorithm 2.

At first, the error between the bias corrected prediction and the target value is calculated. When the target value of a sample is $\mathrm{NaN}$, the error will also yield NaN. The mean square is then only calculated over a slice of the error vector for which the error is not NaN. This bias-aware NaN-MSE loss is calculated for each dimension and the MOS to yield the overall loss $l$ as follows:
$$
\begin{aligned}
l= & \mathcal{L}{\mathrm{NaN}}\left(\mathbf{y}{\mathrm{MOS}}, \widehat{\mathbf{y}}{\mathrm{MOS}}, \mathbf{b}{\mathrm{MOS}}\right) \
& +\mathcal{L}{\mathrm{NaN}}\left(\mathbf{y}{\mathrm{NOI}}, \widehat{\mathbf{y}}{\mathrm{NOI}}, \mathbf{b}{\mathrm{NOI}}\right) \
& +\mathcal{L}{\mathrm{NaN}}\left(\mathbf{y}{\mathrm{COL}}, \widehat{\mathbf{y}}{\mathrm{COL}}, \mathbf{b}{\mathrm{COL}}\right) \
& +\mathcal{L}{\mathrm{NaN}}\left(\mathbf{y}{\mathrm{DIS}}, \widehat{\mathbf{y}}{\mathrm{DIS}}, \mathbf{b}{\mathrm{DIS}}\right) \
& +\mathcal{L}{\mathrm{NaN}}\left(\mathbf{y}{\mathrm{LOUD}}, \widehat{\mathbf{y}}{\mathrm{LOUD}}, \mathbf{b}{\mathrm{LOUD}}\right) .
\end{aligned}
$$

计算机代写|深度学习代写Deep Learning代考|Live-Talking Test Set

深度学习代写

计算机代写|深度学习代写Deep Learning代考|Live-Talking Test Set


在这个实时谈话数据库中,谈话者直接对着终端设备(即智能手机或笔记本电脑)讲话。测试参与者被指示大声、小声、使用扬声器或在背景音乐中说话,以获得不同的测试场景和语音质量失真。根据情况,谈话者位于不同的环境中,例如咖啡馆、高速公路上的汽车内、接收信号差的建筑物内、电梯、购物中心、地铁/地铁站、繁忙的街道等。大多数谈话者都​​使用手机通过移动网络或 VoIP 服务 (Skype/Facebook) 进行通话。VoIP 通话记录在笔记本电脑上,手机通话记录在 Google Pixel 3 上。这些对话要么是自发的,要么是基于 ITU-T Rec. P. 805(2007)。然后从对话中提取 6-12 秒的片段,并根据它们的整体质量和语音质量维度对其进行评级。

最终数据库包含 58 个不同的条件(见附录中的表 A.2),每个条件有 4 个不同的文件,总共有 232 个文件。语音文件是从 8 名不同的德语谈话者(4 名男性和 4 名女性)那里录制的,其中针对每种情况选择了 2 名男性和 2 名女性谈话者。听力实验是使用与第 1 节中描述的训练和验证集相同的问卷进行的。3.1,但是测试不是在人群中进行的,而是在质量和可用性实验室的隔音室中进行的。每个文件由 24 名测试参与者进行评分,每个条件产生 96 票。Chehadi (2020) 对数据集进行了详细描述。

需要注意的是,这个测试数据集高度独立于训练集和验证集。它是唯一进行真实电话通话的数据集,并且语音是从说话者的嘴巴以声学方式传输到麦克风的。虽然实时训练和验证集 NISQA_TRAIN_LIVE / NISQA_VAL_LIVE 也包含一些真实的背景噪声失真(例如来自打开的窗户的街道噪声),但在这个数据集中,测试参与者去了许多具有不同环境声音的不同地方。此外,每个参与者都使用自己的设备进行录音,这些录音不包含在训练集中。

计算机代写|深度学习代写Deep Learning代考|Model and Training


NISQA 模型是一个 CNN-SA-AP 神经网络,其中一个 CNN 用于逐帧特征计算,一个具有两层的自注意力网络用于时间依赖性建模,以及一个具有注意力池的最终网络。CNN 和时间依赖阶段在整体质量和语音质量维度任务之间共享,而每个质量维度和整体质量都有一个单独的池化网络。这个模型的顶层图可以在第 1 章的图 5.4 中看到。5.

因为目标是训练一个即使对于来自不同来源的未知语音样本也能给出稳健结果的模型,所以许多不同的数据集被用于训练和验证。这些数据集是在完全不同的环境中进行的,参与者、语言、设备和包含文件的质量范围都不同。事实上,许多数据集都是窄带数据集。这意味着这些数据集中的最高可能质量(干净的窄带信号)在全频带听力实验(ITUT Rec. P.863.1 2019)中只能被评为 3.8 左右的 MOS。为了能够通过添加具有不同主观实验偏差的这些数据集来提高模型的性能,第 1 章中介绍了偏差感知损失。6 被应用。该模型锚定到全波段数据集 NISQA_TRAIN_SIM,如第 1 节所述。6.1.

对于大多数数据集,只有总体语音质量评级可用。这意味着这些数据集不能用于训练维度评级。解决此问题的一种解决方案是,首先仅使用仅具有总体 MOS 评级可用的数据集训练模型的整体 MOS 部分,然后使用具有总体 MOS 和维度评级可用的数据集对整个模型进行微调。然而,这种方法的缺点是神经网络中灾难性遗忘 (French 1999) 的影响。当神经网络在不同的任务或数据上按顺序进行训练时,它们往往会忘记大部分最初学习的特征,而主要关注最后学习的任务/数据。
因此,在这项工作中,模型使用所有可用数据进行杊炼,而在计算损失时忽略缺失的评分。为此,用 NaN-MSE 损失函数代替 MSE (均方误差) $\mathcal{L}_{\mathrm{NaN}}$ 用于忽略用”非数字”填充的缺失值 $(\mathrm{NaN})$ ) 它在 PyTorch 中实现,如算法 2 所示。
首先,计算偏差校正预则与目标值之间的误差。当样本的目标值为 $\mathrm{NaN}$ ,错误也会产生 $\mathrm{NaN}$ 。然后双在误差不是 $\mathrm{NaN}$ 的误差向 量的一部分上计算均方。这种偏差感知 NaN-MSE 损失是针对每个维度和 MOS 计算的,以产生整体损失l如下:

$$
\begin{aligned}
l= & \mathcal{L}{\mathrm{NaN}}\left(\mathbf{y}{\mathrm{MOS}}, \widehat{\mathbf{y}}{\mathrm{MOS}}, \mathbf{b}{\mathrm{MOS}}\right) \
& +\mathcal{L}{\mathrm{NaN}}\left(\mathbf{y}{\mathrm{NOI}}, \widehat{\mathbf{y}}{\mathrm{NOI}}, \mathbf{b}{\mathrm{NOI}}\right) \
& +\mathcal{L}{\mathrm{NaN}}\left(\mathbf{y}{\mathrm{COL}}, \widehat{\mathbf{y}}{\mathrm{COL}}, \mathbf{b}{\mathrm{COL}}\right) \
& +\mathcal{L}{\mathrm{NaN}}\left(\mathbf{y}{\mathrm{DIS}}, \widehat{\mathbf{y}}{\mathrm{DIS}}, \mathbf{b}{\mathrm{DIS}}\right) \
& +\mathcal{L}{\mathrm{NaN}}\left(\mathbf{y}{\mathrm{LOUD}}, \widehat{\mathbf{y}}{\mathrm{LOUD}}, \mathbf{b}{\mathrm{LOUD}}\right) .
\end{aligned}
$$

计算机代写|深度学习代写Deep Learning代考

计算机代写|深度学习代写Deep Learning代考 请认准UprivateTA™. UprivateTA™为您的留学生涯保驾护航。

微观经济学代写

微观经济学是主流经济学的一个分支,研究个人和企业在做出有关稀缺资源分配的决策时的行为以及这些个人和企业之间的相互作用。my-assignmentexpert™ 为您的留学生涯保驾护航 在数学Mathematics作业代写方面已经树立了自己的口碑, 保证靠谱, 高质且原创的数学Mathematics代写服务。我们的专家在图论代写Graph Theory代写方面经验极为丰富,各种图论代写Graph Theory相关的作业也就用不着 说。

线性代数代写

线性代数是数学的一个分支,涉及线性方程,如:线性图,如:以及它们在向量空间和通过矩阵的表示。线性代数是几乎所有数学领域的核心。

博弈论代写

现代博弈论始于约翰-冯-诺伊曼(John von Neumann)提出的两人零和博弈中的混合策略均衡的观点及其证明。冯-诺依曼的原始证明使用了关于连续映射到紧凑凸集的布劳威尔定点定理,这成为博弈论和数学经济学的标准方法。在他的论文之后,1944年,他与奥斯卡-莫根斯特恩(Oskar Morgenstern)共同撰写了《游戏和经济行为理论》一书,该书考虑了几个参与者的合作游戏。这本书的第二版提供了预期效用的公理理论,使数理统计学家和经济学家能够处理不确定性下的决策。

微积分代写

微积分,最初被称为无穷小微积分或 “无穷小的微积分”,是对连续变化的数学研究,就像几何学是对形状的研究,而代数是对算术运算的概括研究一样。

它有两个主要分支,微分和积分;微分涉及瞬时变化率和曲线的斜率,而积分涉及数量的累积,以及曲线下或曲线之间的面积。这两个分支通过微积分的基本定理相互联系,它们利用了无限序列和无限级数收敛到一个明确定义的极限的基本概念 。

计量经济学代写

什么是计量经济学?
计量经济学是统计学和数学模型的定量应用,使用数据来发展理论或测试经济学中的现有假设,并根据历史数据预测未来趋势。它对现实世界的数据进行统计试验,然后将结果与被测试的理论进行比较和对比。

根据你是对测试现有理论感兴趣,还是对利用现有数据在这些观察的基础上提出新的假设感兴趣,计量经济学可以细分为两大类:理论和应用。那些经常从事这种实践的人通常被称为计量经济学家。

MATLAB代写

MATLAB 是一种用于技术计算的高性能语言。它将计算、可视化和编程集成在一个易于使用的环境中,其中问题和解决方案以熟悉的数学符号表示。典型用途包括:数学和计算算法开发建模、仿真和原型制作数据分析、探索和可视化科学和工程图形应用程序开发,包括图形用户界面构建MATLAB 是一个交互式系统,其基本数据元素是一个不需要维度的数组。这使您可以解决许多技术计算问题,尤其是那些具有矩阵和向量公式的问题,而只需用 C 或 Fortran 等标量非交互式语言编写程序所需的时间的一小部分。MATLAB 名称代表矩阵实验室。MATLAB 最初的编写目的是提供对由 LINPACK 和 EISPACK 项目开发的矩阵软件的轻松访问,这两个项目共同代表了矩阵计算软件的最新技术。MATLAB 经过多年的发展,得到了许多用户的投入。在大学环境中,它是数学、工程和科学入门和高级课程的标准教学工具。在工业领域,MATLAB 是高效研究、开发和分析的首选工具。MATLAB 具有一系列称为工具箱的特定于应用程序的解决方案。对于大多数 MATLAB 用户来说非常重要,工具箱允许您学习应用专业技术。工具箱是 MATLAB 函数(M 文件)的综合集合,可扩展 MATLAB 环境以解决特定类别的问题。可用工具箱的领域包括信号处理、控制系统、神经网络、模糊逻辑、小波、仿真等。

Write a Reply or Comment

您的电子邮箱地址不会被公开。 必填项已用 * 标注