- 数据集已划分为train/valid/test
- 唤醒词为“hi 小问”和“你好问问”，中文唤醒词，keyword_0：“hi,小问”， keyword_id1：“你好问问”
-
data_url，数据下载链接，官方是从远端下载speech command dataset,如果是自己的数据集这里可以为空
-
data_dir，数据集存放路径，逻辑是会先检查该路径下数据集是否存在，不存在则从data_url这个地址下载
-
background_volume,背景声音的大小，范围为0-1，默认为0.1，用来设置噪声大小
-
background_frequency，有多少比例的训练样本中加入背景声音，默认是0.8
-
silence_percentage,有多少训练数据为背景声音，默认10.0
-
unknown_percentage，有多少比例的数据为unknown word，默认10.0
-
time_shift_ms,训练音频数据的移动范围，默认100.0
-
testing_percentage，多少比例的数据用做测试集，默认10
-
validation_percentage，多少比例的数据用于验证集，默认10
-
sample_rate，采用频率，默认16000
-
clip_duration_ms，音频数据时长，默认1000ms
-
window_size_ms，每帧时长，默认30ms
-
window_stride_ms，帧移动位移，默认10ms
-
featue_bin_count，MFCC特征的维度数，默认40【待确认】
-
how_many_training_steps，训练迭代部署，默认是"15000,3000",这里为什么是两个，考虑到不同训练阶段采用不同的learning rate配置【待确认】
-
eval_step_interval，多个少步做测试，默认400
-
learning_rate，学习率，默认“0.001,0.0001”，训练学习率
-
batch_size，默认100
-
summaries_dir, tensorboard 日志位置
-
wanted_words，目标词，默认:"nihaoxiaowen,chumenwenwen"
-
train_dir，存放eventlog和checkpoint的位置
-
save_step_interval，经过多少步存储一下模型，默认100
-
start_checkpoint，从哪里restore模型，默认空
-
model_architecture，模型结构，默认‘conv’ 【待补充】
-
check_nans，在处理过程中是否要做invalid 数值检查，默认false
-
preprocess，频谱处理方法，默认'mfcc'，可供选择包括"mfcc,average,micro"
-
verbosity，日志等级，默认为INFO
-
optimizer，优化器，默认gradient_descent， 还可以选择momentum
音频数据处理类，处理主要包括数据载入、数据集划分、训练数据准备
init
该函数是数据处理主要流程，包括三个环节:
maybe_download_and_extract_dataset
判断data_dir路径下是否有数据，若无则直接从地址下载
prepare_data_index
准备数据列表包括wav 文件名列表和label，整理出train/valid/test 音频文件列表和对应label，在我们的场景下，因已切分train/dev/test数据集，基于词进行处理即可，不需要再进行数据的划分，原样例中是根据hash来区分放到哪个数据集。具体过程如下
-
准备正样本数据集，其中data_index是正样本即包含准确唤醒词的音频数据，unknown为不含唤醒词的音频数据
-
self.data_index = {'validation': [], 'testing': [], 'training': []} unknown_index = {'validation': [], 'testing': [], 'training': []}
-
由于音频文件和类别文件是单独分开存放的，在准备数据集时，需要将wav和label组对
-
在每个数据集中加入silence_percentage比例的背景数据，背景数据选择是self.data_index['training'][0]['file']【这里可以替换其他数据，因为这些后续处理会和zero tensor相乘，不影响后续计算】
-
将负样本对应的train、dev、valid加入到对应数据列表中
prepare_background_data
背景数据处理，载入内存，这里选用的speech_command_dataset中的背景声音，所有的背景声音全部都放在了self.background_data tensor中
prepare_processing_graph
对音频数据具体处理过程，主要包括创建音频WAV数据处理计算图Graph，同时进行decodes it, scales the volume, shifts it in time, adds in background noise, calculates a spectrogram, and then builds an MFCC fingerprint from that.
整个模块有6个placeholder和一个输出
- wav_filename_placeholder_，wav文件输入占位
- foreground_volume_placeholder_, 剪辑音频片段的音量大小占位
- time_shift_padding_placeholder_,在哪个位置对音频片段进行padding
- time_shift_offset_placeholder_，帧移
- background_data_placeholder_，PCM格式的背景声音
- background_volume_placeholder_，混入背景音的音量
- output_，已处理的2-D音频特征
整体流程，
构造wav_loader->创建wav_decoder->构造volume适应器->wav_padding ->background声音加入->value clip保证在-1.0~1.0之间->利用gen_audio_ops生成spectrogram
这一步实质是将音频数据转化为模型可利用的数字化数据，即fingerprint,即音频文件的某种表示，类似于将文本表示成文本向量一样，之后将这个向量作为模型输入训练模块。
create_model 函数
模型工具函数，可以设计任意的模型结构，输入是fingerprint特征（即某个固定维度的向量表示），输出是[batch_size, feature_dim]，输出某个固定维度的特征表示。所需参数如下：
fingerprint_input， 音频特征
model_settings,模式设置参数
model_architecture，模型结构，可以通过该参数选择不同模型
is_training,模型运行模式
runtime_settings,runtime信息
create_conv_model函数
这里只介绍CONV模型，其他模型暂时未用到
模型整体结构为：
fingerprint_input->Conv2D(weights+bias)->Relu->MaxPool->Conv2D(weights+bias)->Relu->MaxPool->Matmul(weights+bias)-<logits
如果是在训练模式下，每个conv后面会经过dropout
整个模型即是一个机遇CNN的分类模型，重点是怎么将
生成checkpoint模型和summary
python train.py #注意修改FLAGS的参数将checkpoint模型转换为pb模型
python freeze.py
利用固化好的pb模型对wav文件进行预测
python label_wav.py
C++方式的预测和推理
bash build.sh 1C++方式，需要先编译生成libtensorflow2.4.1.so
计划弄成PC端可执行文件形式，以测试SDK是否可集成在助手客户端内，进行中。