VisibleDeprecationWarning: Creating an ndarray from ragged nested sequences (which is a list-or-tuple of lists-or-tuples-or ndarrays with different le

import os
import numpy as np
import librosa
import tensorflow as tf
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import LabelEncoder
 
# Фиксированное количество MFCC признаков
FIXED_MFCC_LENGTH = 40
 
# Функция для извлечения аудиофич
def extract_features(file_name, fixed_length=FIXED_MFCC_LENGTH):
    try:
        audio, sample_rate = librosa.load(file_name, sr=None)
        mfccs = librosa.feature.mfcc(y=audio, sr=sample_rate, n_mfcc=fixed_length)
        # Усечение или дополнение нулями до фиксированной длины
        if mfccs.shape[1] < fixed_length:
            pad_width = fixed_length - mfccs.shape[1]
            mfccs = np.pad(mfccs, pad_width=((0, 0), (0, pad_width)), mode='constant')
        else:
            mfccs = mfccs[:, :fixed_length]
        return np.mean(mfccs.T, axis=0)
    except Exception as e:
        print(f"Error encountered while parsing file: {file_name}\n{str(e)}")
        return None
 
# Пример данных
genres = ['classical', 'pop', 'rock']
data = [r"C:\Users\vladi\Desktop\fafs\dataset"]
labels = []
 
# Загрузите файлы и извлеките фичи
for genre in genres:
    genre_dir = os.path.join('dataset', genre)
    if not os.path.isdir(genre_dir):
        print(f"Directory not found: {genre_dir}")
        continue
 
    for file_name in os.listdir(genre_dir):
        file_path = os.path.join(genre_dir, file_name)
        if file_path.endswith('.wav'):
            print(f"Processing file: {file_path}")
            features = extract_features(file_path)
            if features is not None:
                data.append(features)
                labels.append(genre)
        else:
            print(f"Skipped file: {file_path}")
 
# Преобразование данных в массивы
X = np.array(data)
y = np.array(labels)
 
# Кодирование меток
le = LabelEncoder()
yy = le.fit_transform(y)
 
# Разделение данных на тренировочные и тестовые наборы
X_train, X_test, y_train, y_test = train_test_split(X, yy, test_size=0.2, random_state=42)
 
# Создание модели
model = tf.keras.models.Sequential([
    tf.keras.layers.Dense(256, input_shape=(FIXED_MFCC_LENGTH,), activation='relu'),
    tf.keras.layers.Dropout(0.3),
    tf.keras.layers.Dense(128, activation='relu'),
    tf.keras.layers.Dropout(0.3),
    tf.keras.layers.Dense(64, activation='relu'),
    tf.keras.layers.Dropout(0.3),
    tf.keras.layers.Dense(len(genres), activation='softmax')
])
 
# Компиляция модели
model.compile(loss='sparse_categorical_crossentropy', optimizer='adam', metrics=['accuracy'])
 
# Обучение модели
history = model.fit(X_train, y_train, epochs=50, batch_size=32, validation_data=(X_test, y_test))
 
# Сохранение модели
model.save("music_genre_classifier.h5")