Zi 字媒體

為了拉近和大家的距離每篇文章的文末都有一個小話題歡迎大家參與討論有任何想說的都可以在評論區交流~AI 研習社按：這篇文章會用一個簡單的模型在 TensorFlow 上來實現一個音頻生成器，GitHub 代碼鏈接詳見文末「閱讀原文」。原文作者楊熹，載於作者的個人博客，雷鋒網 AI 研習社經授權發布。今天想來看看 AI 是怎樣作曲的。本文會用 TensorFlow 來寫一個音樂生成器。當你對一個機器人說：我想要一種能夠表達出希望和奇迹的歌曲時，發生了什麼呢？計算機會首先把你的語音轉化成文字，並且提取出關鍵字，轉化成詞向量。然後會用一些打過標籤的音樂的數據，這些標籤就是人類的各種情感。接著通過在這些數據上面訓練一個模型，模型訓練好后就可以生成符合要求關鍵詞的音樂。程序最終的輸出結果就是一些和弦，他會選擇最貼近主人所要求的情感關鍵詞的一些和弦來輸出。當然你不只是可以聽，也可以作為創作的參考，這樣就可以很容易地創作音樂，即使你還沒有做到刻意練習1萬小時。機器學習其實是為了擴展我們的大腦，擴展我們的能力。DeepMind 發表了一篇論文，叫做 WaveNet, 這篇論文介紹了音樂生成和文字轉語音的藝術。通常來講，語音生成模型是串聯。這意味著如果我們想從一些文字的樣本中來生成語音的話，是需要非常大量的語音片段的資料庫，通過截取它們的一部分，並且再重新組裝到一起，來組成一個完整的句子。生成音樂也是同樣的道理，但是它有一個很大的難點：就是當你把一些靜止的組件組合到一起的時候，生成聲音需要很自然，並且還要有情感，這一點是非常難的。一種理想的方式是，我們可以把所有生成音樂所需要的信息存到模型的參數裡面。也就是那篇論文里講的事情。我們並不需要把輸出結果傳給信號處理演算法來得到語音信號，而是直接處理語音信號的波。他們用的模型是 CNN。這個模型的每一個隱藏層中，每個擴張因子，可以互聯，並呈指數型的增長。每一步生成的樣本，都會被重新投入網路中，並且用於產生下一步。我們可以來看一下這個模型的圖。輸入的數據，是一個單獨的節點，它作為粗糙的音波，首先需要進行一下預處理，以便於進行下面的操作。接著我們對它進行編碼，來產生一個 Tensor，這個 Tensor 有一些 sample 和 channel。然後把它投入到 CNN 網路的第一層中。這一層會產生 channel 的數量，為了進行更簡單地處理。然後把所有輸出的結果組合在一起，並且增加它的維度。再把維度增加到原來的 channel 的數量。把這個結果投入到損失函數中，來衡量我們的模型訓練的如何。最後，這個結果會被再次投入到網路中，來生成下一個時間點所需要的音波數據。重複這個過程就可以生成更多的語音。這個網路很大，在他們的 GPU 集群上需要花費九十分鐘，並且僅僅只能生成一秒的音頻。接下來我們會用一個更簡單的模型在 TensorFlow 上來實現一個音頻生成器。 1.引入packages:數據科學包 Numpy ，數據分析包 Pandas，tqdm 可以生成一個進度條，顯示訓練時的進度。import numpy as npimport pandas as pdimport msgpackimport globimport tensorflow as tffrom tensorflow.python.ops import control_flow_opsfrom tqdm import tqdmimport midi_manipulation我們會用到一種神經網路的模型 RBM－Restricted Boltzmann Machine 作為生成模型。它是一個兩層網路：第一層是可見的，第二層是隱藏層。同一層的節點之間沒有聯繫，不同層之間的節點相互連接。每一個節點都要決定它是否需要將已經接收到的數據發送到下一層，而這個決定是隨機的。 2.定義超參數：先定義需要模型生成的 note 的 rangelowest_note = midi_manipulation.lowerBound #the indexof the lowest note on the piano rollhighest_note = midi_manipulation.upperBound #the indexof the highest note on the piano rollnote_range = highest_note-lowest_note #the note range接著需要定義 timestep ，可見層和隱藏層的大小。num_timesteps = 15 #This is the number of timesteps that we will createat a timen_visible = 2*note_range*num_timesteps #This is the sizeof the visible layer.n_hidden = 50 #This is the sizeof the hidden layer123123訓練次數，批量處理的大小，還有學習率。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.定義變數：x 是投入網路的數據w 用來存儲權重矩陣，或者叫做兩層之間的關係此外還需要兩種 bias，一個是隱藏層的 bh，一個是可見層的 bvx = tf.placeholder(tf.float32, [None, n_visible], name="x") #The placeholder variable that holds our dataW = tf.Variable(tf.random_normal([n_visible, n_hidden], 0.01), name="W") #The weight matrix that stores the edge weightsbh = tf.Variable(tf.zeros([1, n_hidden], tf.float32, name="bh")) #The bias vector for the hidden layerbv = tf.Variable(tf.zeros([1, n_visible], tf.float32, name="bv")) #The bias vector for the visible layer接著，用輔助方法 gibbs_sample 從輸入數據 x 中建立樣本，以及隱藏層的樣本：gibbs_sample 是一種可以從多重概率分佈中提取樣本的演算法。它可以生成一個統計模型，其中，每一個狀態都依賴於前一個狀態，並且隨機地生成符合分佈的樣本。#The sample of xx_sample = gibbs_sample(1)#The sample of the hidden nodes, starting from the visible state of xh = sample(tf.sigmoid(tf.matmul(x, W) + bh))#The sample of the hidden nodes, starting from the visible state of x_sampleh_sample = sample(tf.sigmoid(tf.matmul(x_sample, W) + bh)) 4.更新變數：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 stepsupdt = [W.assign_add(W_adder), bv.assign_add(bv_adder), bh.assign_add(bh_adder)] 5.接下來，運行 Graph 演算法圖： 5.1先初始化變數with tf.Session as sess:#First, we train the model#initialize the variables of the modelinit = tf.initialize_all_variablessess.run(init) 首先需要 reshape 每首歌，以便於相應的向量表示可以更好地被用於訓練模型。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 elementssong = 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接下來就來訓練 RBM 模型，一次訓練一個樣本for i in range(1, len(song), batch_size):tr_x = song[i:i+batch_size]sess.run(updt, feed_dict={x: tr_x}) 模型完全訓練好后，就可以用來生成 music 了。 5.3需要訓練 Gibbs chain 其中的 visible nodes 先初始化為0，來生成一些樣本。然後把向量 reshape 成更好的格式來 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 fileS = np.reshape(sample[i,:], (num_timesteps, 2*note_range)) 5.4最後，列印出生成的和弦midi_manipulation.noteStateMatrixToMidi(S, "generated_chord_{}".format(i)) 綜上，就是用 CNN 來參數化地生成音波，用 RBM 可以很容易地根據訓練數據生成音頻樣本，Gibbs 演算法可以基於概率分佈幫我們得到訓練樣本。來聊聊吧你用得最順手的語言是什麼？還是已經全棧了？歡迎在評論區分享關注 AI 研習社后，回復【1】獲取▼▼▼