背景
本文是基于Matconvnet深度学习框架对方言音频文件进行分类，介绍如下：
预处理数据
声谱图
预处理数据都是对音频文件进行处理，我们都知道 CNN 主要是针对二维数据做分类等，因此我们第一步需要做的是将一维的音频信号，通过调用specgram函数将音频文件转换成声谱图，我在实验中的采用过两种参数，分别如下：
- [b,f,t] = specgram(x,512,fs,512,256);
- [b,f,t] = specgram(x,1024,fs,1024,512);
两种参数生成的声谱图 [频谱图]虽然从肉眼的角度可以看出区别，但是从最后的实验结果上来看，可能对分类的结果影响不大。在下面的实验中我会以实验结果作说明。
改变尺寸
上述中提到的声谱图只是由 Matlab 自带函数生成的图片，生成的声谱图片中，存在边缘空白信息，为了提高我们最终的实验结果，我们首先要先将空白边缘信息使用 imcrop 函数进行裁剪，然后使用 imresize 函数对裁剪过的图片进行尺寸的缩放，通常我们需要将图片缩放成经典网络模型需要的尺寸，如：cifar经典数据集、vggnet、alexnet、imagenet等。本文中，我也是采用如下所述的4种尺寸，分别为：32*32、224*224、227*227、256*256.
实验准备
下载编译代码
由于我们使用的是可以在 Matlab 上运行的 Matconvnet 深度学习框架，因此首先要在 Matconvnet 官网上下载最新版本的 Matconvnet 代码，编译（编译的方法，可以参照matconvnet官网上的步骤进行）之后，当然在编译之前你需要选择一下c++编译器，如果你的电脑上没有，那么你需要安装一个，最好安装2013版本及以上，编译完成之后，在命令行窗口会提示编译完成。
运行demo
在上述编译完成之后，为了测试我们是否编译成功，我们可以运行 examples 文件夹下的 cnn_mnist 代码，可以直接运行 cnn_mnist_experiments.m 文件，代码运行的速度很快，即使是在cpu模式下，依然运行的很快，因为这个网络相对简单一些，数据库图片大小为28*28，图片大小比较小，因此训练和测试的速度都比较快。在一些新的版本代码里，运行结束之后，可能会报错，那是在画图的时候某一些参数已经不存在了，我们姑且不管这个，在运行结束之后，会生成一个pdf文件，我们可以打开着这个pdf文件观察实验结果，在这里我粘贴一个实验结果的截图（可能意义不大）：
