python如何通過深層神經網絡生成音樂

這篇文章主要介紹“python如何通過深層神經網絡生成音樂”，在日常操作中，相信很多人在python如何通過深層神經網絡生成音樂問題上存在疑惑，小編查閱了各式資料，整理出簡單好用的操作方法，希望對大家解答”python如何通過深層神經網絡生成音樂”的疑惑有所幫助！接下來，請跟著小編一起來學習吧！

機器學習模型的音樂表現

我們將使用ABC音樂符號。ABC記譜法是一種簡寫的樂譜法，它使用字母a到G來表示音符，并使用其他元素來放置附加值。這些附加值包括音符長度、鍵和裝飾。

這種形式的符號開始時是一種ASCII字符集代碼，以便于在線音樂共享，為軟件開發人員添加了一種新的簡單的語言，便于使用。以下是ABC音樂符號。

樂譜記譜法第1部分中的行顯示一個字母后跟一個冒號。這些表示曲調的各個方面，例如當文件中有多個曲調時的索引（X:）、標題（T:）、時間簽名（M:）、默認音符長度（L:）、曲調類型（R:）和鍵（K:）。鍵名稱后面代表旋律。

音樂數據集

在本文中，我們將使用諾丁漢音樂數據庫ABC版上提供的開源數據。它包含了1000多首民謠曲調，其中絕大多數已被轉換成ABC符號：http://abc.sourceforge.net/NMD/

數據處理

數據當前是基于字符的分類格式。在數據處理階段，我們需要將數據轉換成基于整數的數值格式，為神經網絡的工作做好準備。

這里每個字符都映射到一個唯一的整數。這可以通過使用一行代碼來實現。“text”變量是輸入數據。

char_to_idx = { ch: i for (i, ch) in enumerate(sorted(list(set(text)))) }

為了訓練模型，我們使用vocab將整個文本數據轉換成數字格式。

T = np.asarray([char_to_idx[c] for c in text], dtype=np.int32)

機器學習音樂生成的模型選擇

在傳統的機器學習模型中，我們無法存儲模型的前一階段。然而，我們可以用循環神經網絡（通常稱為RNN）來存儲之前的階段。

RNN有一個重復模塊，它從前一級獲取輸入，并將其輸出作為下一級的輸入。然而，RNN只能保留最近階段的信息，因此我們的網絡需要更多的內存來學習長期依賴關系。這就是長短期記憶網絡（LSTMs）。

LSTMs是RNNs的一個特例，具有與RNNs相同的鏈狀結構，但有不同的重復模塊結構。

這里使用RNN是因為：

1. 數據的長度不需要固定。對于每一個輸入，數據長度可能會有所不同。

2. 可以存儲序列。

3. 可以使用輸入和輸出序列長度的各種組合。

除了一般的RNN，我們還將通過添加一些調整來定制它以適應我們的用例。我們將使用“字符級RNN”。在字符RNNs中，輸入、輸出和轉換輸出都是以字符的形式出現的。

RNN

由于我們需要在每個時間戳上生成輸出，所以我們將使用許多RNN。為了實現多個RNN，我們需要將參數“return_sequences”設置為true，以便在每個時間戳上生成每個字符。通過查看下面的圖5，你可以更好地理解它。

在上圖中，藍色單位是輸入單位，黃色單位是隱藏單位，綠色單位是輸出單位。這是許多RNN的簡單概述。

時間分布全連接層

為了處理每個時間戳的輸出，我們創建了一個時間分布的全連接層。為了實現這一點，我們在每個時間戳生成的輸出之上創建了一個時間分布全連接層。

狀態

通過將參數stateful設置為true，批處理的輸出將作為輸入傳遞給下一批。在組合了所有特征之后，我們的模型將如下面圖6所示的概述。

模型體系結構的代碼片段如下：

model = Sequential()
model.add(Embedding(vocab_size, 512, batch_input_shape=(BATCH_SIZE, SEQ_LENGTH)))

for i in range(3):

     model.add(LSTM(256, return_sequences=True, stateful=True))
     model.add(Dropout(0.2))
     
model.add(TimeDistributed(Dense(vocab_size)))
model.add(Activation('softmax'))

model.summary()
model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])

我強烈建議你使用層來提高性能。

Dropout層

Dropout層是一種正則化技術，在訓練過程中，每次更新時將輸入單元的一小部分歸零，以防止過擬合。

Softmax層

音樂的生成是一個多類分類問題，每個類都是輸入數據中唯一的字符。因此，我們在我們的模型上使用了一個softmax層，并將分類交叉熵作為一個損失函數。

這一層給出了每個類的概率。從概率列表中，我們選擇概率最大的一個。

優化器

為了優化我們的模型，我們使用自適應矩估計，也稱為Adam，因為它是RNN的一個很好的選擇。

生成音樂

到目前為止，我們創建了一個RNN模型，并根據我們的輸入數據對其進行訓練。該模型在訓練階段學習輸入數據的模式。我們把這個模型稱為“訓練模型”。

在訓練模型中使用的輸入大小是批大小。對于通過機器學習產生的音樂來說，輸入大小是單個字符。所以我們創建了一個新的模型，它和""訓練模型""相似，但是輸入一個字符的大小是(1,1)。在這個新模型中，我們從訓練模型中加載權重來復制訓練模型的特征。

model2 = Sequential()

model2.add(Embedding(vocab_size, 512, batch_input_shape=(1,1)))

for i in range(3): 
     model2.add(LSTM(256, return_sequences=True, stateful=True))
     model2.add(Dropout(0.2))
     
model2.add(TimeDistributed(Dense(vocab_size)))
model2.add(Activation(‘softmax’))

我們將訓練好的模型的權重加載到新模型中。這可以通過使用一行代碼來實現。

model2.load_weights(os.path.join(MODEL_DIR,‘weights.100.h6’.format(epoch)))

model2.summary()

在音樂生成過程中，從唯一的字符集中隨機選擇第一個字符，使用先前生成的字符生成下一個字符，依此類推。有了這個結構，我們就產生了音樂。

下面是幫助我們實現這一點的代碼片段。

sampled = []

for i in range(1024):

   batch = np.zeros((1, 1))
   
   if sampled:
   
      batch[0, 0] = sampled[-1]
      
   else:
   
      batch[0, 0] = np.random.randint(vocab_size)
      
   result = model2.predict_on_batch(batch).ravel()
   
   sample = np.random.choice(range(vocab_size), p=result)
   
   sampled.append(sample)
   
print("sampled")

print(sampled)

print(''.join(idx_to_char[c] for c in sampled))

我們使用被稱為LSTMs的機器學習神經網絡生成這些令人愉快的音樂樣本。每一個片段都不同，但與訓練數據相似。這些旋律可用于多種用途：

• 通過靈感提升藝術家的創造力

• 作為開發新思想的生產力工具

• 作為藝術家作品的附加曲調

• 完成未完成的工作

• 作為一首獨立的音樂

但是，這個模型還有待改進。我們的訓練資料只有一種樂器，鋼琴。我們可以增強訓練數據的一種方法是添加來自多種樂器的音樂。另一種方法是增加音樂的體裁、節奏和節奏特征。

目前，我們的模式產生了一些假音符，音樂也不例外。我們可以通過增加訓練數據集來減少這些錯誤并提高音樂質量。

到此，關于“python如何通過深層神經網絡生成音樂”的學習就結束了，希望能夠解決大家的疑惑。理論與實踐的搭配能更好的幫助大家學習，快去試試吧！若想繼續學習更多相關知識，請繼續關注億速云網站，小編會繼續努力為大家帶來更多實用的文章！