我正在尝试使用theano进行二进制LSTM分类。我已经完成了示例代码，但是我想构建自己的代码。
我有一小套"你好"&我正在使用的"再见"录音。我通过提取它们的MFCC特征并将这些特征保存在文本文件中来对它们进行预处理。我有20个语音文件（每个10个），我为每个单词生成一个文本文件，因此有20个文本文件包含MFCC功能。每个文件都是一个13x56矩阵。
我现在的问题是：如何使用这个文本文件来训练LSTM？
我对此还比较陌生。我也查阅了一些关于它的文献，但没有发现对这个概念有很好的理解。
任何使用LSTM的更简单的方法也将受到欢迎。
有很多现有的实现，例如Tensorflow实现，所有脚本都以Kaldi为中心的实现，最好先检查一下。
Theano太低级了，您可以尝试使用keras，如教程中所述。您可以按原样运行教程来了解事情的进展。
然后，您需要准备一个数据集。您需要将数据转换为数据帧序列，并且需要为序列中的每个数据帧分配一个输出标签。
Keras支持两种类型的RNN——返回序列的层和返回简单值的层。您可以同时尝试这两种方法，在代码中只需使用return_sequences=True或return_sequences=False
要使用序列进行训练，您可以为所有帧指定伪标签，但可以为要识别的单词指定标签的最后一帧除外。您需要将输入和输出标签放置到数组中。因此：
X = [[word1frame1, word1frame2, ..., word1framen],[word2frame1, word2frame2,...word2framen]]
Y = [[0,0,...,1], [0,0,....,2]]
在X中，每个元素都是一个13个浮点的向量。在Y中，每个元素只是一个数字-0表示中间帧，单词ID表示最终帧。
要只使用标签进行训练，您需要将输入和输出标签放置到数组中，而输出数组更简单。因此数据将是：
X = [[word1frame1, word1frame2, ..., word1framen],[word2frame1, word2frame2,...word2framen]]
Y = [[0,0,1], [0,1,0]]
请注意，输出是矢量化的（np_utils.to_categorical），以将其转换为矢量，而不仅仅是数字。
然后创建网络体系结构。您可以有13个浮点用于输入，一个向量用于输出。在中间可能有一个完全连接的层，然后是一个lstm层。不要用太大的层，从小的层开始。
然后将这个数据集输入到model.fit中，它将训练您的模型。训练后，可以在heldout集上估计模型质量。
由于只有20个例子，所以收敛性会有问题。你需要更多的例子，最好是数千个来训练LSTM，你只能使用非常小的模型。