# Automated-GuitarAmpModelling

**Repository Path**: bigtruck_admin/Automated-GuitarAmpModelling

## Basic Information

- **Project Name**: Automated-GuitarAmpModelling
- **Description**: No description available
- **Primary Language**: Python
- **License**: GPL-3.0
- **Default Branch**: main
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2026-07-09
- **Last Updated**: 2026-07-09

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# Automated-Guitar Amplifier Modelling — 吉他放大器自动建模

本仓库包含吉他放大器和失真踏板的神经网络训练脚本及预训练模型。`Results` 目录中包含一些示例循环神经网络模型，这些模型用于模拟 ht-1 放大器和 Big Muff Pi 法兹踏板，相关模型描述见这篇[会议论文](https://www.dafx.de/paper-archive/2019/DAFx2019_paper_43.pdf)。

## 使用本仓库

你可以使用本仓库训练自己的模型。要对不同的失真踏板或放大器建模，需要先录制目标设备的数据集，`Data` 目录中包含从 ht1 和 Big Muff Pi 录制的示例数据集。

### 克隆本仓库

要创建本仓库的本地工作副本，请使用以下命令：

```
git clone --recurse-submodules https://github.com/Alec-Wright/Automated-GuitarAmpModelling
```

### Python 环境

使用本仓库需要安装 `pytorch`、`scipy`、`tensorboard` 和 `numpy` 包的 Python 环境。此外，本仓库还使用了 `CoreAudioML` 包（以子模块形式包含）。按照"克隆本仓库"的方式克隆即可确保同时下载 CoreAudioML。

### 处理音频

`proc_audio.py` 脚本加载神经网络模型，用它对音频进行处理，并保存处理后的音频。这也是检查 Python 环境是否配置正确的简便方法。直接运行脚本（不带参数）：

```
python proc_audio.py
```

将使用默认参数：脚本从 `Results/ht1-ht11/` 目录加载 `model_best.json` 文件，处理 `Data/test/ht1-input.wav` 音频文件，并将输出音频保存为 `output.wav`。

可以使用不同的参数运行：

```
python proc_audio.py 'path/to/input_audio.wav' 'output_filename.wav' 'Results/path/to/model_best.json'
```

### 训练脚本

`dist_model_recnet.py` 脚本用于训练 `Results` 目录中的示例模型。文件顶部的 `argparser` 包含所有训练脚本参数及其默认值的说明。使用默认参数训练模型，直接在命令行中运行：

```
python dist_model_recnet.py
```

注意：必须在安装了"Python 环境"中所述依赖库的 Python 环境中运行此命令。要使用不同的训练参数，可以直接修改 `dist_model_recnet.py` 中的默认参数，也可以通过配置文件传入参数，例如：

```
python dist_model_recnet.py -l "ht11.json"
```

此时脚本会在 `Configs` 目录中查找 `ht11.json` 文件。要创建自定义配置文件，可以用任意文本编辑器修改提供的 `ht11.json`。

训练过程中，脚本会在 `Results` 目录下的子文件夹中保存以下内容：验证集上达到的最低损失值（`bestvloss.txt`）、对应的最佳模型（`model_best.json`）以及该模型输出的音频（`best_val_out.wav`）。最近一个训练 epoch 结束时的神经网络也会保存为 `model.json`。训练完成后，会处理测试数据集，并将输出音频和测试损失保存到同一目录。

`model.json` 或 `model_best.json` 文件中包含的已训练模型可以被加载，`proc_audio.py` 脚本提供了加载示例。

### 反馈

本仓库仍在不断完善中，欢迎通过提交 Issue 或"Discussions"标签页提供反馈！