학습 configure를 설정
training폴더에 config.yaml파일(혹은 config_nsf.yaml)을 메모장으로 열어준다.
바꿔야하는 항목들을 보기좋게 위에다가 올려놨다. 아래 내용에서 'test'가 들어간 부분을 님들 맘에 맞게 수정해주면 된다. 그리고 저장 (개발자거나 좀 더 좋은 퀄리티를 위해 커스텀할 사람은 아래 변수들을 추가로 바꿔주면 된다)
original wav dataset folder
3번에서 자르고 변환한 결과 wav파일들을 학습데이터로 만들기위해 넣어줄 폴더 이름
raw_data_dir: data/raw/test
after binarized dataset folder
위 폴더에 있는 학습데이터들을 실제 학습에 사용하기위해 binarize한 결과물을 저장할 폴더
binary_data_dir: data/binary/test
speaker name
이건 나중에 결과물 뽑을 때 쓰게될것
speaker_id: test
trained model will be save this folder
학습데이터로 학습한 모델을 저장할 장소
work_dir: checkpoints/test
batch size
모델이 한번에 학습할 양을 정한다 (CUDA out of memory에러가 나면 이 숫자를 줄이면 된다)
max_sentences: 10
AMP(Automatic Mixed Precision) setting(only GPU) for less VRAM
AMP를 사용할것인지 설정, 학습시간에 차이는 없지만, 한번에 더 많은 batch를 학습시킬 수 있음.
학습 configure를 설정 training폴더에 config.yaml파일(혹은 config_nsf.yaml)을 메모장으로 열어준다. 바꿔야하는 항목들을 보기좋게 위에다가 올려놨다. 아래 내용에서 'test'가 들어간 부분을 님들 맘에 맞게 수정해주면 된다. 그리고 저장 (개발자거나 좀 더 좋은 퀄리티를 위해 커스텀할 사람은 아래 변수들을 추가로 바꿔주면 된다)
original wav dataset folder
3번에서 자르고 변환한 결과 wav파일들을 학습데이터로 만들기위해 넣어줄 폴더 이름
raw_data_dir: data/raw/test
after binarized dataset folder
위 폴더에 있는 학습데이터들을 실제 학습에 사용하기위해 binarize한 결과물을 저장할 폴더
binary_data_dir: data/binary/test
speaker name
이건 나중에 결과물 뽑을 때 쓰게될것
speaker_id: test
trained model will be save this folder
학습데이터로 학습한 모델을 저장할 장소
work_dir: checkpoints/test
batch size
모델이 한번에 학습할 양을 정한다 (CUDA out of memory에러가 나면 이 숫자를 줄이면 된다)
max_sentences: 10
AMP(Automatic Mixed Precision) setting(only GPU) for less VRAM
AMP를 사용할것인지 설정, 학습시간에 차이는 없지만, 한번에 더 많은 batch를 학습시킬 수 있음.
use_amp: true