查看“2015011705”的源代码

2017.7.11

今天创建了两个网站上的账户，并录制了24条语音指令。

2017.7.13

今天在主机上安装了windows系统，并安装了TensorFlow和anaconda python

2017.7.14

今天下午进行了初步的理论知识的学习，了解神经网络的基本知识，并且试用了tfexample，用convert_file对声频文件进行了转化，用sox对文件进行了加强，离开实验室时利用train对音频文件进行训练。因为CPU的运算速度较慢，因此效率较低。
整体操作中最需要注意的是文件路径，路径的错误在整个操作中带来了很大困扰。

2017.7.15

今天换了一台主机，重复昨天的步骤，不过将数据转移到GPU上进行运行，效率相比昨天提升极大，在离开实验室时已经完成3个epoch的训练。同时，对生成的.h5文件，利用create_pb将其生成model.pb和model.ckpt文件，初步体验了Android studio的操作环境。明天要通过Android studio生成安卓的app，非常期待。

2017.7.16

在昨天熟悉了Android studio的操作环境后，今天将生成的pd文件导入操作环境，生成了app-debug.apk文件，并将其导入安卓平板试验app。
不过最初时，识别的正确率一直维持在1/24左右（就是说训练基本没有任何意义），部分组的甚至低至1%。经过和老师的讨论，我们发现是因为之前的模型中，很多样本都是噪声，就是说之前一直在训练“噪声”。发现问题后，我们在gitlab上下载了最新的augmentation文档，之后正确率立刻明显提升，在三个epoch的训练后，识别的正确率就达到了80%以上。随后在app上进行体验，发现对部分语句识别效果极佳，比如“蓝牙播放音乐”，但也有一些语句效果不佳，比如“蓝牙开机”。
晚上阅读了深度学习方面的文献，英文文献加上不少组合数学的内容，让人觉得阅读起来比较艰涩，任重而道远。

2017.7.17
今天早上来到实验室，发现已经跑完了40个epoch，代码训练的准确率已经达到了99%以上，说明语音识别的准确率已经令人非常满意了。
今天上午主要学习了PYNQ开发板，这是一个开源框架的硬件开发平台。一上午中，我们先在空白SD卡中烧入镜像文件，并用usb接口给开发板供电，用网线连接电脑和开发板，之后就可以连接到 Jypyter 进行在线编程。上午的学习中，分别进行了按键控制LED和录音及音频处理的实验。通过实验，我初步感受到了硬件开发的过程和效果。