今天想來(lái)看看 AI 是怎樣作曲的。

本文會(huì)用 TensorFlow 來(lái)寫(xiě)一個(gè)音樂(lè)生成器。

當(dāng)你對(duì)一個(gè)機(jī)器人說(shuō)： 我想要一種能夠表達(dá)出希望和奇跡的歌曲時(shí)，發(fā)生了什么呢?

計(jì)算機(jī)會(huì)首先把你的語(yǔ)音轉(zhuǎn)化成文字，并且提取出關(guān)鍵字，轉(zhuǎn)化成詞向量。然后會(huì)用一些打過(guò)標(biāo)簽的音樂(lè)的數(shù)據(jù)，這些標(biāo)簽就是人類(lèi)的各種情感。接著通過(guò)在這些數(shù)據(jù)上面訓(xùn)練一個(gè)模型，模型訓(xùn)練好后就可以生成符合要求關(guān)鍵詞的音樂(lè)。程序最終的輸出結(jié)果就是一些和弦，他會(huì)選擇最貼近主人所要求的情感關(guān)鍵詞的一些和弦來(lái)輸出。當(dāng)然你不只是可以聽(tīng)，也可以作為創(chuàng)作的參考，這樣就可以很容易地創(chuàng)作音樂(lè)，即使你還沒(méi)有做到刻意練習(xí)1萬(wàn)小時(shí)。

機(jī)器學(xué)習(xí)其實(shí)是為了擴(kuò)展我們的大腦，擴(kuò)展我們的能力。

DeepMind 發(fā)表了一篇論文，叫做WaveNet, 這篇論文介紹了音樂(lè)生成和文字轉(zhuǎn)語(yǔ)音的藝術(shù)。

通常來(lái)講，語(yǔ)音生成模型是串聯(lián)。這意味著如果我們想從一些文字的樣本中來(lái)生成語(yǔ)音的話(huà)，是需要非常大量的語(yǔ)音片段的數(shù)據(jù)庫(kù)，通過(guò)截取它們的一部分，并且再重新組裝到一起，來(lái)組成一個(gè)完整的句子。

生成音樂(lè)也是同樣的道理，但是它有一個(gè)很大的難點(diǎn)：就是當(dāng)你把一些靜止的組件組合到一起的時(shí)候，生成聲音需要很自然，并且還要有情感，這一點(diǎn)是非常難的。

一種理想的方式是，我們可以把所有生成音樂(lè)所需要的信息存到模型的參數(shù)里面。也就是那篇論文里講的事情。

我們并不需要把輸出結(jié)果傳給信號(hào)處理算法來(lái)得到語(yǔ)音信號(hào)，而是直接處理語(yǔ)音信號(hào)的波。

他們用的模型是 CNN。這個(gè)模型的每一個(gè)隱藏層中，每個(gè)擴(kuò)張因子，可以互聯(lián)，并呈指數(shù)型的增長(zhǎng)。每一步生成的樣本，都會(huì)被重新投入網(wǎng)絡(luò)中，并且用于產(chǎn)生下一步。

我們可以來(lái)看一下這個(gè)模型的圖。輸入的數(shù)據(jù)，是一個(gè)單獨(dú)的節(jié)點(diǎn)，它作為粗糙的音波，首先需要進(jìn)行一下預(yù)處理，以便于進(jìn)行下面的操作。

接著我們對(duì)它進(jìn)行編碼，來(lái)產(chǎn)生一個(gè) Tensor，這個(gè) Tensor 有一些 sample 和 channel。然后把它投入到 CNN 網(wǎng)絡(luò)的***層中。這一層會(huì)產(chǎn)生 channel 的數(shù)量，為了進(jìn)行更簡(jiǎn)單地處理。然后把所有輸出的結(jié)果組合在一起，并且增加它的維度。再把維度增加到原來(lái)的 channel 的數(shù)量。把這個(gè)結(jié)果投入到損失函數(shù)中，來(lái)衡量我們的模型訓(xùn)練的如何。***，這個(gè)結(jié)果會(huì)被再次投入到網(wǎng)絡(luò)中，來(lái)生成下一個(gè)時(shí)間點(diǎn)所需要的音波數(shù)據(jù)。重復(fù)這個(gè)過(guò)程就可以生成更多的語(yǔ)音。這個(gè)網(wǎng)絡(luò)很大，在他們的 GPU 集群上需要花費(fèi)九十分鐘，并且僅僅只能生成一秒的音頻。

接下來(lái)我們會(huì)用一個(gè)更簡(jiǎn)單的模型在 TensorFlow 上來(lái)實(shí)現(xiàn)一個(gè)音頻生成器。

1.引入packaGEs:

數(shù)據(jù)科學(xué)包 Numpy ，數(shù)據(jù)分析包 Pandas，tqdm 可以生成一個(gè)進(jìn)度條，顯示訓(xùn)練時(shí)的進(jìn)度。

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

我們會(huì)用到一種神經(jīng)網(wǎng)絡(luò)的模型 RBM-Restricted Boltzmann Machine 作為生成模型。

它是一個(gè)兩層網(wǎng)絡(luò)：***層是可見(jiàn)的，第二層是隱藏層。同一層的節(jié)點(diǎn)之間沒(méi)有聯(lián)系，不同層之間的節(jié)點(diǎn)相互連接。每一個(gè)節(jié)點(diǎn)都要決定它是否需要將已經(jīng)接收到的數(shù)據(jù)發(fā)送到下一層，而這個(gè)決定是隨機(jī)的。

2.定義超參數(shù)：

先定義需要模型生成的 note 的 range

lowest_note = midi_manipulation.lowerBound #the index of the lowest note on the piano roll 
 
highest_note = midi_manipulation.uPPerBound #the index of the highest note on the piano roll 
 
note_range = highest_note-lowest_note #the note range 

接著需要定義 timestep ，可見(jiàn)層和隱藏層的大小。

num_timesteps = 15 #This is the number of timesteps that we will create at a time 
 
n_visible = 2*note_range*num_timesteps #This is the size of the visible layer. 
 
n_hiDDen = 50 #This is the size of the hidden layer 

訓(xùn)練次數(shù)，批量處理的大小，還有學(xué)習(xí)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 number of 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.定義變量：

x 是投入網(wǎng)絡(luò)的數(shù)據(jù)

w 用來(lái)存儲(chǔ)權(quán)重矩陣，或者叫做兩層之間的關(guān)系

此外還需要兩種 bias，一個(gè)是隱藏層的 bh，一個(gè)是可見(jiàn)層的 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 weightMATrix 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 

接著，用輔助方法 gibbs_sample 從輸入數(shù)據(jù) 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布中提取樣本的算法。

它可以生成一個(gè)統(tǒng)計(jì)模型，其中，每一個(gè)狀態(tài)都依賴(lài)于前一個(gè)狀態(tài)，并且隨機(jī)地生成符合分布的樣本。

#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.更新變量：

size_bt = tf. CA 
 
st（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.運(yùn)行 Graph 算法圖：

1.先初始化變量

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，以便于相應(yīng)的向量表示可以更好地被用于訓(xùn)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 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]） 

2.接下來(lái)就來(lái)訓(xùn)練 RBM 模型，一次訓(xùn)練一個(gè)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(xùn)練好后，就可以用來(lái)生成 music 了。

3.需要訓(xùn)練 Gibbs chain

其中的 visible nodes 先初始化為0，來(lái)生成一些樣本。

然后把向量 reshape 成更好的格式來(lái) 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）） 

4.***，打印出生成的和弦

midi_manipulation.noteStateMatrixToMidi（S, "generated_chord_{}".format（i））1212 

綜上，就是用 CNN 來(lái)參數(shù)化地生成音波，

用 RBM 可以很容易地根據(jù)訓(xùn)練數(shù)據(jù)生成音頻樣本，

Gibbs 算法可以基于概率分布幫我們得到訓(xùn)練樣本。

***送上Siraj 的原始視頻和源代碼鏈接。