EmoDB数据集log-mel-spectrogram提取后reshape报错排查与解决

首先明确错误根源：9542055 除以 (128×251) 的结果不是整数，说明不是所有音频提取的log-mel特征都符合预期的(128,251)形状，导致总元素数无法被目标单样本形状的元素数整除，触发了reshape失败。

1. 定位问题样本 #

先跑一段代码，找出哪些音频的特征形状不符合要求：

import os
import numpy as np

def get_log_mel_spectrogram(audio_path):
    # 这里是你原有的特征提取逻辑
    # ... 你的代码 ...

audio_dir = "path/to/your/emodb/audio/directory"
mismatches = []

for filename in os.listdir(audio_dir):
    if not filename.endswith(".wav"):
        continue
    spec = get_log_mel_spectrogram(os.path.join(audio_dir, filename))
    # 检查是否是预期的一维数组，且元素数等于128*251
    if spec.size != 128*251:
        actual_shape = spec.reshape(-1, 128).shape if spec.size %128 ==0 else spec.shape
        mismatches.append((filename, spec.size, actual_shape))

print(f"发现 {len(mismatches)} 条形状不符的样本")
for item in mismatches[:5]: # 打印前5条详情
    print(f"文件: {item[0]}, 元素数: {item[1]}, 实际形状: {item[2]}")

2. 分析常见原因 #

大概率是这两个问题：

• 音频时长不统一：EmoDB的原始音频并非都是8秒，部分音频时长偏短或偏长，你的get_log_mel_spectrogram函数没有做截断/补零处理，导致时间维度（第二个维度）不是251。
• 特征提取参数错误：比如采样率设置和音频实际采样率不一致，或者mel滤波器数量、帧移/帧长的计算有误，导致最终特征的维度偏差。

3. 修复方案 #

方案一：强制统一所有特征形状 #

修改get_log_mel_spectrogram，确保输出的一维数组元素数固定为128×251：

def get_log_mel_spectrogram(audio_path, target_mel_bands=128, target_time_steps=251):
    # 原有的特征提取流程，得到二维的mel_spec（形状应该是(mel_bands, time_steps)）
    # ... 你的原有代码 ...
    # 假设这里得到的mel_spec是二维数组
    
    # 统一时间维度长度
    if mel_spec.shape[1] > target_time_steps:
        # 截断到目标长度
        mel_spec = mel_spec[:, :target_time_steps]
    elif mel_spec.shape[1] < target_time_steps:
        # 补零填充到目标长度
        pad_len = target_time_steps - mel_spec.shape[1]
        mel_spec = np.pad(mel_spec, ((0,0), (0, pad_len)), mode='constant')
    
    # 转换为一维数组返回
    return mel_spec.flatten()

这样每条音频的特征元素数都是固定的32128，535条样本的总元素数就是535×32128=17188480，后续reshape成(-1,128,251,1)就不会出错。

方案二：过滤不符合要求的样本 #

如果允许丢弃部分样本，直接在加载数据时过滤掉元素数不对的特征：

def load_data(audio_dir):
    features = []
    expected_size = 128 * 251
    for filename in os.listdir(audio_dir):
        if not filename.endswith(".wav"):
            continue
        spec = get_log_mel_spectrogram(os.path.join(audio_dir, filename))
        if spec.size == expected_size:
            features.append(spec)
    # 转换为数组并reshape
    features = np.array(features)
    return features.reshape(-1, 128, 251, 1)

4. 验证修复结果 #

修复后重新加载数据，检查输出形状：

processed_data = load_data(audio_dir)
print(f"处理后样本数: {processed_data.shape[0]}")
print(f"单样本特征形状: {processed_data.shape[1:]}")

如果输出的形状是(N,128,251,1)（N是样本数），说明问题解决。

内容的提问来源于stack exchange，提问作者Reshma