SideKit库

官方文档：https://projets-lium.univ-lemans.fr/sidekit/index.html

SIDEKIT可以用来干什么？

• 声学特征的提取
  • Linear-Frequency Cepstral Coefficients (LFCC)
  • Mel-Frequency Cepstral Coefficients (MFCC)
  • RASTA filtering
  • Energy-based Voice Activity Detection (VAD)
  • normalization (CMS, CMVN, Short Term Gaussianization)
• 模式识别和分类
  • Gaussian Mixture Models (GMM)
  • i - vectors
  • Probabilistic Linear Discriminant Analysis (PLDA)
  • Joint Factor Analysis (JFA)
  • Support Vector Machine (SVM)
  • Deep Neural Network (bridge to THEANO)
• 结果绘图
  • DET plot
  • ROC Convex Hull based DET plot

与其他toolkit的兼容：https://projets-lium.univ-lemans.fr/sidekit/overview/compatibilities.html

如何安装？

官方安装教程：https://projets-lium.univ-lemans.fr/sidekit/install/index.html

直接在命令窗中输入pip install sidekit

预装环境要求:

- matplotlib>=3.0.0 - numpy>=1.15.2 - pyparsing>=2.2.2 - scipy>=1.1.0 - six==1.11.0 - h5py>=2.8.0 - pandas>=0.23.4 - pytorch>=1.0 - torchvision>=0.2.1

若上述环境没有配置成功，会提示以下错误：

Could not find a version that satisfies the requirement torch>=1.0.0?

解决措施： 对于一些比较空间大的库，若直接用pip install 库名则下载的速度会非常满，故这里推荐使用本地安装

1. 下载whl格式文件

   https://files.pythonhosted.org/packages/1a/3b/fa92ece1e58a6a48ec598bab327f39d69808133e5b2fb33002ca754e381e/torch-1.4.0-cp37-cp37m-manylinux1_x86_64.whl

2. 再Anaconda Prompt中输入如下命令：

   pip install torch-1.4.0-cp37-cp37m-manylinux1_x86_64.whl

检测是否安装成功：

>>> import sidekit
WARNING:root:WARNNG: libsvm is not installed, please refer to the documentation if you intend to use SVM classifiers

安装LibSVM

1. 下载libsvm

   官方网站：https://www.csie.ntu.edu.tw/~cjlin/libsvm/

   或者下载我上传的文件(2020-02-28)：https://www.lanzous.com/i9r57be

2. 将下载好的文件解压缩到任意位置

   tar -xvf libsvm-3.23.tar.gz unzip libsvm-3.23.zip

3. 进入解压缩目录

   cd libsvm-3.23,然后make

4. 再进入下一层目录python

   make

5. 把python目录中所有的.py文件复制到/home/jacky/anaconda3/lib/python3.7/site-packages，再把python的上层目录中的libsvm.so.2复制到/home/jacky/anaconda3/lib/python3.7

6. 检验

   rom svmutil import * from svm import * y, x = [1, -1], [{1: 1, 2: 1}, {1: -1, 2: -1}] prob = svm_problem(y, x) param = svm_parameter('-t 0 -c 4 -b 1') model = svm_train(prob, param) yt = [1] xt = [{1: 1, 2: 1}] p_label, p_acc, p_val = svm_predict(yt, xt, model) print(p_label)