整理|简

展出| AI技术基地营(ID:rgznai100 ) () ) ) ) ) ) ) ) ) ) ) ) ) ) ) ) ) ) ) ) )至) ) )。

【领先】AI科技大本营分享Kaggle上的资源，如Kaggle的开放数据集，分享好的竞赛计划和有意义的竞赛经验，帮助成长。 今天，我们要介绍的这个工具特别推荐给那些以前只能仰视别人，但缺乏竞赛技能和经验的朋友。 无需写一行代码就可以参加Kaggle比赛，甚至可以免除安装环境。 厉害吗？ 一起get一下这个“真香”的道具吧！

作为

参赛项目

Freesound Audio Tagging 2019

Kaggel大赛项目的自由之声音频标记2019，也是DCASE 2019挑战赛的任务之一(任务2 )。 因为今天不怎么介绍这个比赛，所以有兴趣的人请通过以下链接进行访问。

自由声音音频标记2019由自由声音(MTG -通用多功能一体机)和谷歌设备感知组举办，数据通过自由声音注释器收集。 竞赛参考论文： (1) 《Audio tagging with noisy labels and minimal supervision》https://Arxiv.org/PDF/1906.02975.PDF )2) 《FREESOUND DATASETS: A PLATFORM FOR THE CREATION OF OPEN AUDIO DATASETS》https://ISMIR 2017.SMC Nus.org/WP-content /

随着AI技术的发展和落地，越来越多的平台和工具可以使用。 这些平台面向不同领域、不同层次的开发人员和学员，您想学习就有方法。 但问题是，刚入门、没有太多经验、也不熟悉TensorFlow、PyTorch等工具和框架的人，是否可以参加这样的竞赛？

不会写代码，也不会 TensorFlow、PyTorch，怎么训练模型？

Peltarion平台值得拥有。 训练模型只有五个步骤。

Peltarion是什么样的平台？ 部署在云中，平台上简单的“拖动和amp”； 只需放置”，即可完成从0到1的AI模型的创建到部署。 平台为初学者提供总共50 GB的GPU存储容量，可免费使用50小时。

AI科技大本营也计划注册账户，利用免费资源跑模特。 注册账户很容易。 首先用一个邮箱地址在平台上注册账户，然后用邮箱地址完成认证，最后设置密码——done。 接下来进入“米饭”环节，为了让大家都能使用这个平台，原作者和Kaggle比赛将合作，让大家可以一边学习一边使用。

具体步骤示例

ign-justify">0、获取数据集

模型预训练中要使用的数据集是 FSDKaggle 2019，已经在 Peltarion 平台经过预处理，所以音频文件经过转化，与 index.csv 一起保存为 Numpy 文件格式，所以，大家直接下载 dataset.zip 即可。

下载地址：https://www.kaggle.com/carlthome/preprocess-freesound-data-to-train-with-peltarion/output

1、Project：一键创建

直接 New 一键即可建立一个新 project，可以保存为“project v1”。

2、数据集：Upload 或者 Import

新建的 project v1 在左侧就可以看到，点击 Datasets → New dataset 就可以上传数据集。然后选择刚刚下载的数据集，等待上传，最后命名保存为“Audio”。

默认 80% 的数据集作为训练集，其余 20% 用于测试集。在顶部的 New feature set 进行捆绑，除 fname 外所有的功能，保存为“Lable”。右上角保存 version 后，就可以进一步建模了。

3、Modeling：一键创建深度学习项目

New Experiment 后进入 Modeling 界面，你可以在右侧看到“Build”和“Settings”两个工具选项帮助进行编译模型。在这个示例中，训练的是如下图所示的声谱图，以完成图片分类任务。

在该任务中，我们可以选择 CNN 网络模型，比如 ResNetv2 large 50。（右侧 Build-Snippets 中，有一些不同任务的模型可供选择。）

接下来几个步骤中，我们就在右侧栏中设定模型的关键配置：

（1）在 Blocks 中添加 Input，Feature 选择为 fname；

（2）添加 Batch normalization，勾选 Trainable；

（3）添加 Reshape，设置 Target Shape 为（256,256,1）；

（4）在 Snippets 中添加 ResNetv2 large 50；

（5）单击并删除 ResNetv2 large 50 顶部“Input” 模块；

（6）将 BN 块连接到 ResNetv2 large 50 上

（7）更改 Dense 块 中 Activation 为 ReLU，ReLU 经常在模型中被选为激活函数；

（8）在 Target 块 之前再添加一个 Dense 块，节点设置为 80，激活 sigmoid；

（9）将 Target块 的 Feature 改为 Lable，Loss 为 Binary crossentropy；

（10）跳转到 Settings 选项卡，配置模型的步长、epoch、优化器等；Batch 设为 28，适合 GPU 内存、epoch 设为 30，模型足以收敛、Optimizer 选为 Adam，这是一个很常用的标准优化器；

（11）上面的配置都完成后，点击 RUN 就可以让模型跑起来了。

4、Evaluating

模型训练后，我们还需要对模型进行评估，在 Evaluating 界面，可以看到模型训练的实时数据，我们关注的指标是 Precision 和 Recall。模型训练完成后，可以直接下载，如果训练了多个模型，记得下载模型精度最高的。

5、提交模型

首先，进入竞赛页面。点击 New Kernel 连接到 Notebook，将下载的模型 H5 文件作为数据集添加。温馨提示：要使用正确的 H5 文件路径，添加下面这行代码到 Kaggle notebook 中运行，此处注意保存路径，后面会用到。

!find ../input-name '*.h5'

下面这段代码可以直接复制-粘贴到 Kaggle notebook 中；将模型变量路径更改为前面保存的路径，最后点击 Commit，完成。

import numpy as np import pandas as pd import librosa as lr import tensorflow as tf from tqdm import tqdm model = tf.keras.models.load_model('../input/freesound-audio-tagging-2019-model/resnet50.h5', compile=False) ##Change df = pd.read_csv('../input/freesound-audio-tagging-2019/sample_submission.csv', index_col='fname') ##Change def preprocess(wavfile): # Load roughly 8 seconds of audio. samples = 512*256 - 1 samplerate = 16000 waveform = lr.load(wavfile, samplerate, duration=samples/samplerate)[0] # Loop too short audio clips. if len(waveform) < samples: waveform = np.pad(waveform, (0, samples - len(waveform)), mode='wrap') # Convert audio to log-mel spectrogram. spectrogram = lr.feature.melspectrogram(waveform, samplerate, n_mels=256) spectrogram = lr.power_to_db(spectrogram) spectrogram = spectrogram.astype(np.float32) return spectrogram for fname, scores in tqdm(df.iterrows(), total=len(df), desc='Predicting'): spectrogram = preprocess('../input/freesound-audio-tagging-2019/test/' + fname) scores = model.predict_on_batch(spectrogram[None, ...])[0] df.loc[fname] = scores df.to_csv('submission.csv') 竞赛地址：https://www.kaggle.com/c/freesound-audio-tagging-2019

通过上面的示例，大家也发现了，训练模型的每一个步骤都在平台上内置好了，大家只需要托拉拽，勾勾选选的操作就可以训练你的模型了，另外还有一些免费的 GPU 资源、内存使用。对于代码不会写，框架不会写的你们来说简直不要太好用！营长的模型要准备跑起来了，你们的呢？

原文参考：https://towardsdatascience.com/how-to-participate-in-a-kaggle-competition-with-zero-code-f017918d2f08

（*本文为 AI科技大本营整理文章，转载请微信联系 1092722531）