老张让我用TensorFlow识别语音命令：前进、停止、下车、右转

今日，不管你读所写任何可有的扬声器，终究它的反转都是shape=(124, 129, 1)。从平面图上我们也可以看得出，不足的就算之前头补0，也得凑转成个16000粗大度。

一个大，真的要开始构建建模了。

依照老张的敦促……我今日不让提他，因为我的双手被绿萝和光的还却是发兜。

依照敦促……他要四种号令，分别是：之前进、之中断、左方转、往北。那么，我就整天了四种扬声器，分别放于置也就是说是的注册表一个大。

从注册表读自取数据库、将IO除此以外、按照人口比例分出数据库集和验证集，以及把datasets区分为batch……这些操作者，在TensorFlow之中仍然很转早熟了。而且，随着旧特别版本的更新，越来越转早熟。体今日code上，就是小用字更少。此处我就不说是了，我会把原始code上传到github，供仰参考资料。

一个大，我中长期说是一下，本范例之中，借助于音调类群，它的建模的构造，以及假设受训的配置。

实际上，我冲动机器学习应用本质的开发，格式化和后处理事件尤其未足。正之中间的假设都是都是有通常绝招的。

第1层layers.Input(shape= (124, 129, 1))叫读所写层，是受训样本的数据库构造。就是我们上一节凑转成16000在此之后，以求反转给出的(124, 129)这个构造。

最后一层layers.Dense(4)，是读所写层。我们整天了“之前行”，“上回”，“左方”，“右”4个注册表类群，终究结果是4类，所以是4。

尾端基本通常后，这个基因序列Sequential就意味着：吃压缩算法，然后排出它是4个类群之中的哪一种。

那么正之中间我们就可以自己操作者了。Normalization是二阶。Conv2D是认真卷积。MaxPooling2D是认真池化。Dropout(0.25)是随机砍掉一定人口比例（此处是25%）的建模，以保证其健壮性。太快就此结束时，通过Flatten()将多维数据库拉平为线性数据库。之前头给个激活变数，收缩突触相沙，匆忙降落。最后，对送来Dense(4)。

这就借助于了，将上头16000个扬声器采样点，经过一系列转变成后，终究读所写为某个类群。

最后，进唯时受训和遗留假设。

filepath='model/model.ckpt'暗示受训完转成后，读自取的偏移。save_weights_only=True只读自取权重数据库。save_best_only=True意为是只读自取极好的受训的结果。线程受训很最简单，线程model.fit，之中叶受训集、验证集、受训轮数、以及受训回退就可以啦。

上一节之中，我们原则上了假设的遗留偏移，线程model.fit则会将结果遗留在也就是说是的偏移下。这就是我们终究要的产物：

我们可以沙载这些文档，这样就让我们的程序兼具了多年功力。可以现阶段来压缩算法认真预测。

上头code之中，先以沙载了历史记录假设。然后，将我混音的一个mysound.wav文档进唯时格式化，方式就是上头说是的凑转成16000，然后通过间歇傅内都叶判别转成(124, 129)构造的反转数据库。这也是我们受训时的模样。

最后，把它读所写到假设。出于重力场，它会更进一步读所写这是'go'类群的音调指令。尽管这个假设，回事很难想到我这段美妙的声线。但是它也能比对出来，我警告了一个包被含'go'歌声优点的歌声。

以上，就是透过TensorFlow基本，借助于歌声类群的全过程。

如此一来次警告大家：敦促TensorFlow 2.6(2021年10在此之后特别版) + python 3.9。因为，全都用了很多新优点。旧旧特别版本是飞驰而今的，基本体今日TensorFlow各种找仅层。

扬声器类群这两项开源定址：

我带着转成果去找老张。老张呐喊了一会儿，不说是话。

我说是，老张啊，你就说是吧。你不说是话，我心内都没底，不明白会频发啥。

老张说是，外甥啊，实际上音调小车这个这两项，没啥创意。我昨天才明白，我们工人们老王，三年之前，自己一个人，就认真出来过了。说是完，老张又呐喊了。

我忍不住他说是，没人关系的。这个不唯，你就如此一来换回一个呗。

老张惊醒摇动头，眼睛之中闪着光，他说是：外甥，飞船方面的应用程序，你整天得定吗？！火星车也唯。

我不紧不忙地重新启动一站式，并把和光脑放于于包被内都。

我穿上鞋，然后拿上包被。打开门，回头跟老张说是了一句：外甥，三个翌年内，我们先以不联系了吧。