Train result: 11.17 (4->5 class)

• 1000 epoches for fusion and each branch
• Final result:
• text acc: 0.5700066357396182 audio acc: 0.4844061048836129 final acc: 0.6270736562707365
• 0 {'0': 157, '1': 8, '2': 6, '3': 49, '4': 14}
• 1 {'0': 23, '1': 228, '2': 14, '3': 15, '4': 41}
• 2 {'0': 3, '1': 12, '2': 116, '3': 24, '4': 36}
• 3 {'0': 47, '1': 18, '2': 21, '3': 259, '4': 52}
• 4 {'0': 13, '1': 55, '2': 30, '3': 81, '4': 185}

text branch :

• 1.去掉标点符号 -> embed_onehot 根据dic编号 加载text数组-> pad_sequences-> seperate_dataset
• 2.onehot_vector（去标点，将词语贴在一起） -> build_dataset（为每一个单词标号） ->save_dictionary audio branch:(下载下来的时候是一维feature矩阵) Word_Mat_01_original 找到原本的mat文件（找出来看下，貌似是一维的） pad_sequences 一维转二维 （该函数将一个 num_samples 的序列（整数列表）转化为一个 2D Numpy 矩阵，其尺寸为 (num_samples, num_timesteps)。 num_timesteps 要么是给定的 maxlen 参数，要么是最长序列的长度。） savemat normalization seperate_dataset

label：

• to_categorical（将类向量（整数）转换为二进制类矩阵。）->seperate_dataset

datasets:

text:

• text_output_new 7204 sentenses

audio:

• max 64*2219
• colomn: length
• line: 64 windos size

label:

• label_output_new 7204 emotions(6 kinds)

emben word2vector:

• glove.6B.50d
• initial_embed具体看一下

dictionary:

• text转词典