CNN音频分类器用3个类别训练，并且预测的总和应该小于1

CNN音频分类器是一种基于卷积神经网络（Convolutional Neural Network）的模型，用于对音频进行分类。它可以将输入的音频数据分为不同的类别，通常使用3个类别进行训练。

CNN音频分类器的训练过程包括以下几个步骤：

1. 数据准备：收集并准备用于训练的音频数据集，包括不同类别的音频样本。
2. 特征提取：将音频数据转换为适合神经网络处理的特征表示，常用的方法包括短时傅里叶变换（Short-Time Fourier Transform）和梅尔频率倒谱系数（Mel-frequency Cepstral Coefficients）等。
3. 网络设计：构建卷积神经网络模型，包括卷积层、池化层和全连接层等。网络的设计需要考虑音频数据的特点和分类任务的需求。
4. 模型训练：使用训练数据对网络模型进行训练，通过反向传播算法不断调整网络参数，使得模型能够准确地分类音频数据。
5. 模型评估：使用测试数据评估训练好的模型的性能，包括准确率、召回率等指标。
6. 模型预测：使用训练好的模型对新的音频数据进行分类预测。

对于预测的总和应该小于1的要求，可以使用softmax函数作为最后一层的激活函数。softmax函数将网络输出的原始分数转换为概率分布，使得各个类别的预测概率之和为1。

以下是一些腾讯云相关产品和产品介绍链接地址，可以用于支持CNN音频分类器的开发和部署：

1. 腾讯云音视频智能处理（https://cloud.tencent.com/product/vod）
   • 优势：提供音视频处理的全套解决方案，包括转码、截图、水印、音视频分析等功能。
   • 应用场景：适用于音视频处理、分析和存储等场景。

• 腾讯云人工智能（https://cloud.tencent.com/product/ai）
  • 优势：提供丰富的人工智能服务，包括语音识别、语音合成、图像识别等功能。
  • 应用场景：适用于音频分类、语音识别等人工智能应用场景。
• 腾讯云云服务器（https://cloud.tencent.com/product/cvm）
  • 优势：提供灵活可扩展的云服务器实例，支持多种操作系统和应用部署。
  • 应用场景：适用于模型训练、推理和部署等任务。

请注意，以上只是一些示例产品和链接，实际选择和使用产品时需要根据具体需求进行评估和决策。