用 TensorFlow 让你的机器人唱首原创给你听

    xiaoxiao2021-04-17  197

    今天想来看看 AI 是怎样作曲的。

    本文会用 TensorFlow 来写一个音乐生成器。

    当你对一个机器人说:我想要一种能够表达出希望和奇迹的歌曲时,发生了什么呢?

    计算机会首先把你的语音转化成文字,并且提取出关键字,转化成词向量。

    然后会用一些打过标签的音乐的数据,这些标签就是人类的各种情感。接着通过在这些数据上面训练一个模型,模型训练好后就可以生成符合要求关键词的音乐。

    程序最终的输出结果就是一些和弦,他会选择最贴近主人所要求的情感关键词的一些和弦来输出。

    当然你不只是可以听,也可以作为创作的参考,这样就可以很容易地创作音乐,即使你还没有做到刻意练习1万小时。

    机器学习其实是为了扩展我们的大脑,扩展我们的能力。

    DeepMind 发表了一篇论文,叫做 WaveNet, 这篇论文介绍了音乐生成和文字转语音的艺术。

    通常来讲,语音生成模型是串联。这意味着如果我们想从一些文字的样本中来生成语音的话,是需要非常大量的语音片段的数据库,通过截取它们的一部分,并且再重新组装到一起,来组成一个完整的句子。

    生成音乐也是同样的道理,但是它有一个很大的难点:就是当你把一些静止的组件组合到一起的时候,生成声音需要很自然,并且还要有情感,这一点是非常难的。

    一种理想的方式是,我们可以把所有生成音乐所需要的信息存到模型的参数里面。也就是那篇论文里讲的事情。

    我们并不需要把输出结果传给信号处理算法来得到语音信号,而是直接处理语音信号的波。

    他们用的模型是 CNN。这个模型的每一个隐藏层中,每个扩张因子,可以互联,并呈指数型的增长。每一步生成的样本,都会被重新投入网络中,并且用于产生下一步。

    我们可以来看一下这个模型的图。输入的数据,是一个单独的节点,它作为粗糙的音波,首先需要进行一下预处理,以便于进行下面的操作。

    接着我们对它进行编码,来产生一个 Tensor,这个 Tensor 有一些 sample 和 channel。

    然后把它投入到 CNN 网络的第一层中。这一层会产生 channel 的数量,为了进行更简单地处理。

    然后把所有输出的结果组合在一起,并且增加它的维度。再把维度增加到原来的 channel 的数量。

    把这个结果投入到损失函数中,来衡量我们的模型训练的如何。

    最后,这个结果会被再次投入到网络中,来生成下一个时间点所需要的音波数据。

    重复这个过程就可以生成更多的语音。

    这个网络很大,在他们的 GPU 集群上需要花费九十分钟,并且仅仅只能生成一秒的音频。

    接下来我们会用一个更简单的模型在 TensorFlow 上来实现一个音频生成器。

      1.引入packages:

    数据科学包 Numpy ,数据分析包 Pandas,tqdm 可以生成一个进度条,显示训练时的进度。

    import numpy as np import pandas as pd import msgpackimport glob import tensorflow as tf from tensorflow.python.ops import control_flow_ops from tqdm import tqdm import midi_manipulation

    我们会用到一种神经网络的模型 RBM-Restricted Boltzmann Machine 作为生成模型。 

    它是一个两层网络:第一层是可见的,第二层是隐藏层。同一层的节点之间没有联系,不同层之间的节点相互连接。每一个节点都要决定它是否需要将已经接收到的数据发送到下一层,而这个决定是随机的。

      2.定义超参数:

    先定义需要模型生成的 note 的 range

    lowest_note = midi_manipulation.lowerBound #the indexof the lowest note on the piano roll highest_note = midi_manipulation.upperBound #the indexof the highest note on the piano roll note_range = highest_note-lowest_note #the note range

    接着需要定义 timestep ,可见层和隐藏层的大小。

    num_timesteps = 15 #This is the number of timesteps that we will createat a time n_visible = 2*note_range*num_timesteps #This is the sizeof the visible layer. n_hidden = 50 #This is the sizeof the hidden layer123123

    训练次数,批量处理的大小,还有学习率。

    num_epochs = 200 #The number of training epochs that we are going to run. For each epoch we go through the entire data set. batch_size = 100 #The numberof training examples that we are going to send through the RBM at a time. lr = tf.constant(0.005, tf.float32) #The learning rate of our model

      3.定义变量:

    x 是投入网络的数据  w 用来存储权重矩阵,或者叫做两层之间的关系  此外还需要两种 bias,一个是隐藏层的 bh,一个是可见层的 bv

    x = tf.placeholder(tf.float32, [None, n_visible], name="x") #The placeholder variable that holds our data W = tf.Variable(tf.random_normal([n_visible, n_hidden], 0.01), name="W") #The weight matrix that stores the edge weights bh = tf.Variable(tf.zeros([1, n_hidden], tf.float32, name="bh")) #The bias vector for the hidden layer bv = tf.Variable(tf.zeros([1, n_visible], tf.float32, name="bv")) #The bias vector for the visible layer

    接着,用辅助方法 gibbs_sample 从输入数据 x 中建立样本,以及隐藏层的样本:

    gibbs_sample 是一种可以从多重概率分布中提取样本的算法。 

    它可以生成一个统计模型,其中,每一个状态都依赖于前一个状态,并且随机地生成符合分布的样本。

    #The sample of x x_sample = gibbs_sample(1) #The sample of the hidden nodes, starting from the visible state of x h = sample(tf.sigmoid(tf.matmul(x, W) + bh)) #The sample of the hidden nodes, starting from the visible state of x_sample h_sample = sample(tf.sigmoid(tf.matmul(x_sample, W) + bh))

      4.更新变量:

    size_bt = tf.cast(tf.shape(x)[0], tf.float32) W_adder = tf.mul(lr/size_bt, tf.sub(tf.matmul(tf.transpose(x), h), tf.matmul(tf.transpose(x_sample), h_sample))) bv_adder = tf.mul(lr/size_bt, tf.reduce_sum(tf.sub(x, x_sample), 0, True)) bh_adder = tf.mul(lr/size_bt, tf.reduce_sum(tf.sub(h, h_sample), 0, True)) #When we do sess.run(updt), TensorFlow will run all 3 update steps updt = [W.assign_add(W_adder), bv.assign_add(bv_adder), bh.assign_add(bh_adder)]

      5.接下来,运行 Graph 算法图:

        5.1先初始化变量
    with tf.Session() as sess: #First, we train the model #initialize the variables of the model init = tf.initialize_all_variables() sess.run(init)

        首先需要 reshape 每首歌,以便于相应的向量表示可以更好地被用于训练模型。

    for epoch in tqdm(range(num_epochs)): for song in songs: #The songs are stored in a time x notes format. The size of each song is timesteps_in_song x 2*note_range #Here we reshape the songs so that each training example is a vector with num_timesteps x 2*note_range elements song = np.array(song) song = song[:np.floor(song.shape[0]/num_timesteps)*num_timesteps] song = np.reshape(song, [song.shape[0]/num_timesteps, song.shape[1]*num_timesteps])
        5.2接下来就来训练 RBM 模型,一次训练一个样本
    for i in range(1, len(song), batch_size): tr_x = song[i:i+batch_size] sess.run(updt, feed_dict={x: tr_x})

        模型完全训练好后,就可以用来生成 music 了。

        5.3需要训练 Gibbs chain

        其中的 visible nodes 先初始化为0,来生成一些样本。      然后把向量 reshape 成更好的格式来 playback。

    sample = gibbs_sample(1).eval(session=sess, feed_dict={x: np.zeros((10, n_visible))}) for i in range(sample.shape[0]): if not any(sample[i,:]): continue #Here we reshape the vector to be time x notes, and then save the vector as a midi file S = np.reshape(sample[i,:], (num_timesteps, 2*note_range))
        5.4最后,打印出生成的和弦
    midi_manipulation.noteStateMatrixToMidi(S, "generated_chord_{}".format(i))

        综上,就是用 CNN 来参数化地生成音波,      用 RBM 可以很容易地根据训练数据生成音频样本,      Gibbs 算法可以基于概率分布帮我们得到训练样本。

      

    本文基于Siraj 的视频编写,此处提供视频链接以及github源码供参考。

    ====================================分割线================================

    本文作者:AI研习社

    本文转自雷锋网禁止二次转载,原文链接

    相关资源:新年快乐! python实现绚烂的烟花绽放效果

    最新回复(0)