07 2017 档案
摘要：前面的不做过多解释了。 这里定义了两个占位符，各位也知道，在训练时，feed_dict会填充它们。 定义相关网络。 这里是权值矩阵和偏差。 这里是实例化了网络，定义了优化器和损失，和上一篇一样。 最后，写一个两重的for循环，进行训练。 然后简单地测试一下。
阅读全文
摘要：加载数据集。 这里的keep_prob是dropout的一个参数。dropout是一种随机置零的策略，用来防止模型过拟合。 这里定义两层，上面是卷积层，下面是池化层。 搭建了一层卷积、一层池化、一层卷积、一层池化。之后将输出展平，输入到全连接层里，进行输出，激活函数选用了relu函数。 这是上面神经
阅读全文
摘要：自动编码机（Autoencoder）属于非监督学习，不需要对训练样本进行标记。自动编码机（Autoencoder）由三层网络组成，其中输入层神经元数量与输出层神经元数量相等，中间层神经元数量少于输入层和输出层。在网络训练期间，对每个训练样本，经过网络会在输出层产生一个新的信号，网络学习的目的就是使输
阅读全文
摘要：最近邻模型，更为常见的是k-最近邻模型，是一种常见的机器学习模型，原理如下： KNN算法的前提是存在一个样本的数据集，每一个样本都有自己的标签，表明自己的类型。现在有一个新的未知的数据，需要判断它的类型。那么通过计算新未知数据与已有的数据集中每一个样本的距离，然后按照从近到远排序。取前K个最近距离的
阅读全文
摘要：import库，加载mnist数据集。 设置学习率，迭代次数，batch并行计算数量，以及log显示。 这里设置了占位符，输入是batch * 784的矩阵，由于是并行计算，所以None实际上代表并行数。输出是10类，因为mnist数据集是手写数字0-9，所以分成10类是很正常的。 W和b是变量。
阅读全文
摘要：首先呢，进行import，对于日常写代码来说，第二行经常写成：import numpy as np，这样会更加简洁。第三行import用于绘图。 定义了学习率、迭代数epoch，以及展示的学习步骤，三个参数。 同时给出了训练用的原始数据，n_samples用来记录一共有多少数据。 这里指明了计算图的
阅读全文
摘要：众所周知我暂时弃掉了那个音乐生成的坑，原因是我的代码写得还不够纯熟…… 现在我找到了一个项目，用来从代码基础开始补起，同时写下学习笔记。 项目地址：https://github.com/aymericdamien/TensorFlow-Examples 首先最基础的第0章我们就跳过了，这个不涉及Te
阅读全文
摘要：比如说根据作曲风格判断音乐家是谁（分类问题） 比如说，模仿作曲家生成相似的音乐…… 比如说，视频配背景音乐……
阅读全文
摘要：数据集还在制作中，样例数据如下： 我将一条数据作为一行，X是ID，O代表了情感向量，S是速度，是一个很关键的参数，K是调式，M是节拍，L是基本拍。后面是ABC格式的序列，通过embedding化这些音符和和弦，还有分隔符标记，可以进行音乐序列生成。其实这个有点像是文本生成的类型，但是又加了一些先验条
阅读全文
摘要：关于数据集的制作，我决定去掉很多不必要的东西，比如和弦，于是我选择了melody部分的旋律。 有了midi文件，我现在要abc序列，所以我要通过midi2abc转换一下文件。 批处理程序效果如下： 文件代码如下：
阅读全文
摘要：数据集地址：http://www.imageemotion.org/ 论文地址：http://www.doc88.com/p-1905670442096.html
阅读全文
摘要：ABC格式，是一个音乐标准，ABC Plus Project最新的标准是2.x。 ABC格式的音乐长成这样： 对应的五线谱是这样的： 我找到了一个自动转换的网址（http://colinhume.com/music.aspx），可以图形化地将ABC转成MIDI和五线谱，这证明轮子是存在的，那么我们能
阅读全文
摘要：毕竟原网站一个是14年前的一个是16年前的…… 1，http://ifdo.ca/~seymour/nottingham/nottingham.html 这个网站可以下载zip包。 2，https://github.com/jukedeck/nottingham-dataset 这个网站下载的是AB
阅读全文
摘要：在前几天的讨论会上，有师兄指出原来的方法实在是很难训练，所以我改进了音乐生成的思路。 首先，我用LSTM生成的一定是一段音乐的序列化表达，那么我就可以用成型的一些数据集去训练LSTM。为了避免生成的音乐与现有的音乐有大量重复，我们可以考虑更改LSTM使其更加“健忘”，这样应该能解决一部分问题。接下来
阅读全文
摘要：从即日起到7月20号，项目成员进行了第一次任务分配。 赵同学A、岳同学、周同学，负责了图像数据的情感数据集制作，他们根据自己的经验，对图像进行了情绪提取。 赵同学B全权负责向量映射这一块的网络搭建。 我除了帮助其他成员完成任务以外，还要搭建好音乐生成的LSTM网络，同时预搭建音乐数据集。
阅读全文
摘要：这个项目主要涉及到两个网络，其中卷积神经网络用来提取图片表达的情绪，提取出一个二维向量。 网络结构如图： 词向量采用预训练的glove模型，d=50，其他信息包括了图片的“空旷程度”、亮度、对比度等信息，用来更好地描述图片特征。 对于图中的卷积神经网络，需要讲解的地方是：卷积核是一个一维卷积核，每一
阅读全文
摘要：做了半天做的都是一些细枝末节的东西，嗨呀。 伴奏旋律是Ukulele和弦，MIDI发音乐器是Guitar。在弹唱的时候，Ukulele和弦就是伴奏。 我们以创建《成都》伴奏为例： 节奏型： 和弦： 那么节奏型和和弦的组合可以视为一个二元矩阵，下面写一个函数用来寻址： 接下来我们新建一个音轨串联和弦：
阅读全文
摘要：mingus在输出midi文件的时候，使用这样的函数： 在输出时会报错： 解决办法是找到这个文件： ...\Anaconda3\Lib\site-packages\mingus-0.5.2-py3.6.egg 用7-Zip打开这个文件，直接编辑里面的midi_track.py文件： 找到230行，将
阅读全文
摘要：查阅了很久的资料，决定依据Yoshida的《Image retrieval system using impression words》这篇论文里的词语来定义。 Yoshida 等的 Art museum 系统，统计用户在看完图画后用到 的印象形容词，从中选取了 10 个常用的形容词，来描述图画。1
阅读全文
摘要：我之前就注意到，深度学习和音乐结合，尤其是从乐理出发进行结合（而不是纯粹的进行音乐生成），是一个尚未被深度挖掘的全新领域。可想而知，这个方向符合我要求的数据肯定是要自己搜集了。 自己搜集的数据，在量上就已经输了，只是考虑到我们要做的任务并不复杂，准确的说只是一个分类器，再加一个LSTM而已。对于这个
阅读全文
摘要：今天连看三篇论文，不是很细致地看，也没有具体去实现，只是大概明白了一些新思路。这三篇论文，一篇概述了Decoder-Encoder模型，一篇延伸这个模型，首次提出了Attention机制，最后一篇详细阐述了LSTM和GRU的工作机理。读完之后，我对机器翻译这个领域，还有LSTM的应用，有了更深的认识
阅读全文
摘要：目前我能想到的办法是这样的： 1，提取照片中的实体特征，借用某个pre-trained model进行tag标记。 2，将特征组合起来，形成一个bag-of-word model，然后将这个向量作为输入。进入CNN。 3，手动对照片贴标签，主要是对情感进行分类（如：安静、快乐，这样可以直观调节旋律）
阅读全文
摘要：jishude 首先援引一个资料网页：http://www.cosmosshadow.com/ml/%E5%BA%94%E7%94%A8/2016/03/01/%E9%9F%B3%E4%B9%90%E7%94%9F%E6%88%90.html 这个网页可以让基础薄弱的人对于乐理有一个全面的感知。 这
阅读全文
摘要：https://github.com/bspaans/python-mingus/issues/45 注意此时的安装方法应该是：
阅读全文
摘要：这个全新的Python音乐创作系列，将会不定期更新。写作这个系列的初衷，是为了做一个项目《基于图像特征的音乐序列生成模型》，实时地提取照片特征，进行神经网络处理，生成一段音乐。 千里之行，始于足下。首先我们要做的是，音乐序列怎么在计算机中表达出来。 首先参考知乎上的相关回答，以及PyPI上和音乐相关
阅读全文
浙公网安备 33010602011771号