Improvise a Jazz Solo with an LSTM Network编程作业随笔记录

• 加载生语料，并进行预处理，使之成为可供模型训练的“值”

• 输入：X ( m , Tx , n )

  • m表示样本的个数
  • Tx表示有多少时间步（一个样本被分成了多少个部分
  • n表示有多少个候选项（所有音符）

• 与恐龙名字对比：

  • 初始化：
    • 生成音乐：X初始化为非0向量，因为音乐是从片段中截取的
    • 生成名字：X初始化为0

• 过程：

  • 1、从Keras库中，调用函数，构建模型的实例（实现传播流程）
    • 通过输入的音乐片段，学习权重矩阵以及偏执
    • 所有输入的序列已知
  • 2、通过学习好的模型，生成音乐
    • 在上一步学习好的模型基础上，输入初始值，进行序列的生成
    • 只有初始值
  • 3、predict_and_sample函数
    • 相当于主函数，将之前训练好的模型以及参数作为输入，输出索引以及每个索引所对应的独热编码

• 自己总结训练模型过程

  • 获取参数的规格
    • LSTM的单元个数与隐藏层的维度一样n_a
    • 全链接层的单元个数与输入的个数是一样的n_values
  • 创建空列表，存储迭代过程中产生的结果
  • 循环Tx遍（训练过程） 循环Ty遍（预测过程）
  • 将结果存入结果列表中

• 参考

  • 关于tenserflow中reshape（）函数的说明

  • lambada表达式

  • Tensorflow中 tf.argmax()方法的用法

  • tf.one_hot()函数简介

  • 生成one-hot的另一种方式：keras.utils.to_categorical

  • 生成音乐作业中，out、x、x(one-hot) 对应输出的值

    

  • 关于三维向量讲解比较直白的一片博文
    

    • 通过阅读上面⬆️博文，自己的理解

      • 三维向量中（a,b,c）
        • axis=0:同一位置不同块之间的比较 (b,c)
        • axis=1:同一片内（二维数组内）每一列的比较(a,c)
        • axis=2(-1):同一个向量内比较(a,b)