基于卷积神经网络的语音情感识别代码

基于卷积神经网络（Convolutional Neural Network, CNN）的语音情感识别是一种常见的方法。下面是一个简单的示例代码，用于演示如何使用CNN进行语音情感识别：

import numpy as np
import tensorflow as tf
from tensorflow.keras import layers

# 构建CNN模型
model = tf.keras.Sequential()
model.add(layers.Conv2D(32, (3, 3), activation='relu', input_shape=(40, 40, 1)))
model.add(layers.MaxPooling2D((2, 2)))
model.add(layers.Conv2D(64, (3, 3), activation='relu'))
model.add(layers.MaxPooling2D((2, 2)))
model.add(layers.Conv2D(64, (3, 3), activation='relu'))
model.add(layers.Flatten())
model.add(layers.Dense(64, activation='relu'))
model.add(layers.Dense(4, activation='softmax'))  # 假设有4种情感类别

# 编译模型
model.compile(optimizer='adam',
              loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
              metrics=['accuracy'])

# 加载数据集并进行预处理
# 这里假设你已经准备好了训练数据和标签，可以根据实际情况进行修改
train_data = np.load('train_data.npy')
train_labels = np.load('train_labels.npy')
train_data = train_data.reshape(train_data.shape[0], 40, 40, 1)
train_labels = train_labels.reshape(train_labels.shape[0], 1)

# 训练模型
model.fit(train_data, train_labels, epochs=10, batch_size=32)

# 使用模型进行预测
# 这里假设你已经准备好了测试数据，可以根据实际情况进行修改
test_data = np.load('test_data.npy')
test_data = test_data.reshape(test_data.shape[0], 40, 40, 1)
predictions = model.predict(test_data)

# 打印预测结果
for i in range(len(predictions)):
    predicted_label = np.argmax(predictions[i])
    print(f"Sample {i+1}: Predicted label - {predicted_label}")

这段代码使用了一个简单的CNN模型，包括卷积层、池化层和全连接层。你需要根据实际情况进行修改和优化，例如调整网络结构、添加正则化等。