Hugging Face's logo

mobina1380
/
speechbrain-persian-ser

Audio Classification
speechbrain
Persian
speech
emotion-recognition
persian
SER
ECAPA-TDNN
Model card Files
xet
 Community
speechbrain-persian-ser
File size: 4,307 Bytes
2c112a2
 
 
 
 
 
 
 
 
7b5a9cf
 
 
2c112a2
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
fee219c
9d7b3a8
2c112a2
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
d91c0a8
2c112a2
 
 
 
 
 
 
a0898b2
 
 
 
 
7b5a9cf
 
 
a0898b2
7b5a9cf
 
 
 
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
# Generated 2025-04-21 from:
# /content/test/hparams/train.yaml
# yamllint disable
# ########################################
# Emotion recognition from Persian speech using ECAPA-TDNN
# Dataset: ShEMO
# Language: Persian
# ########################################

# مسیر ریپو مدل روی Hugging Face
pretrained_path: mobina1380/speechbrain-persian-ser

# تنظیمات تصادفی (اختیاری)
seed: 1968
number_of_epochs: 30
# ⚠️ این خط حذف شد چون ممکنه در بعضی محیط‌ها مشکل بده:
# __set_seed: !apply:speechbrain.utils.seed_everything [!ref <seed>]

# مسیر فولدر داده‌ها (در لوکال مسیر پروژه)
data_folder: .

# مسیر خروجی مدل‌ها و لاگ‌ها
output_folder: results/ECAPA-TDNN/1968
save_folder: results/ECAPA-TDNN/1968/save
train_log: results/ECAPA-TDNN/1968/train_log.txt

# فایل‌های CSV دیتاست
csv_train: ./test/train.csv
csv_valid: ./test/valid.csv
csv_test: ./test/test.csv

# Logger برای ذخیره‌ی وضعیت آموزش
train_logger: !new:speechbrain.utils.train_logger.FileTrainLogger
  save_file: results/ECAPA-TDNN/1968/train_log.txt

# ارزیابی خطا
error_stats: !name:speechbrain.utils.metric_stats.MetricStats
  metric: !name:speechbrain.nnet.losses.classification_error
    reduction: batch

ckpt_interval_minutes: 15

# پارامترهای آموزش
batch_size: 4
grad_accumulation_factor: 2
lr: 0.0001
weight_decay: 0.00002
base_lr: 0.000001
max_lr: 0.0001
step_size: 1088
mode: exp_range
gamma: 0.9998
shuffle: true
drop_last: false

# ویژگی‌های صوتی
n_mels: 80
left_frames: 0
right_frames: 0
deltas: false

# کلاس‌های احساسات در ShEMO
out_n_neurons: 6

# نگاشت لیبل‌ها
label_dict:
  anger: 0
  surprise: 1
  happiness: 2
  sadness: 3
  neutral: 4
  fear: 5

label_encoder: !new:speechbrain.dataio.encoder.CategoricalEncoder
  from_file: label_encoder.txt

# تنظیمات DataLoader
dataloader_options:
  batch_size: 4
  shuffle: true
  num_workers: 2
  drop_last: false

# استخراج ویژگی‌ها (Mel Spectrogram)
compute_features: &id001 !new:speechbrain.lobes.features.Fbank
  n_mels: 80
  left_frames: 0
  right_frames: 0
  deltas: false

# مدل ECAPA-TDNN
embedding_model: &id002 !new:speechbrain.lobes.models.ECAPA_TDNN.ECAPA_TDNN
  input_size: 80
  channels: [512, 512, 512, 512, 1536]
  kernel_sizes: [5, 3, 3, 3, 1]
  dilations: [1, 2, 3, 4, 1]
  attention_channels: 64
  lin_neurons: 96

# کلاس‌فایر خروجی
classifier: &id003 !new:speechbrain.lobes.models.ECAPA_TDNN.Classifier
  input_size: 96
  out_neurons: 6

# شمارنده اپوک‌ها
epoch_counter: &id005 !new:speechbrain.utils.epoch_loop.EpochCounter
  limit: 30

# نرمال‌سازی ویژگی‌ها
mean_var_norm: &id004 !new:speechbrain.processing.features.InputNormalization

# تابع خطا
  norm_type: sentence
  std_norm: false

# ماژول‌های مدل
modules:
  compute_features: *id001
  embedding_model: *id002
  classifier: *id003
  mean_var_norm: *id004
compute_cost: !new:speechbrain.nnet.losses.LogSoftmaxWrapper
  loss_fn: !new:speechbrain.nnet.losses.AdditiveAngularMargin
    margin: 0.2
    scale: 30

# اپتیمایزر
opt_class: !name:torch.optim.Adam
  lr: 0.0001
  weight_decay: 0.00002

# زمان‌بندی یادگیری
lr_annealing: !new:speechbrain.nnet.schedulers.CyclicLRScheduler
  mode: exp_range
  gamma: 0.9998
  base_lr: 0.000001
  max_lr: 0.0001
  step_size: 1088

# مدیریت چک‌پوینت
checkpointer: !new:speechbrain.utils.checkpoints.Checkpointer
  checkpoints_dir: results/ECAPA-TDNN/1968/save
  recoverables:
    embedding_model: *id002
    classifier: *id003
    normalizer: *id004
    counter: *id005

pretrainer: !new:speechbrain.utils.parameter_transfer.Pretrainer
  collect_in: tmpdir
  loadables:
    embedding_model: !ref <embedding_model>
    classifier:      !ref <classifier>
    normalizer:      !ref <mean_var_norm>
    label_encoder:   !ref <label_encoder>
  paths:
    embedding_model: !ref <pretrained_path>/embedding_model.ckpt
    classifier:      !ref <pretrained_path>/classifier.ckpt
    normalizer:      !ref <pretrained_path>/normalizer.ckpt
    label_encoder:   !ref <pretrained_path>/label_encoder.txt