以TensorFlow教機器人作曲

　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跡的歌曲時，發(fā)生了什么呢？
　　計算機會首先把你的語音轉化成文字，并且提取出關鍵字，轉化成詞向量。然后會用一些打過標簽的音樂的數(shù)據(jù)，這些標簽就是人類的各種情感。接著通過在這些數(shù)據(jù)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(chuàng)作的參考，這樣就可以很容易地創(chuàng)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(fā)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(lián)。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數(shù)據(jù)庫，通過截取它們的一部分，并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，并且還要有情感，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(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果傳給信號處理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(lián)，并呈指數(shù)型的增長。每一步生成的樣本，都會被重新投入網(wǎng)絡中，并且用于產生下一步。
　　我們可以來看一下這個模型的圖。輸入的數(shù)據(jù)，是一個單獨的節(jié)點，它作為粗糙的音波，首先需要進行一下預處理，以便于進行下面的操作。
　　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。然后把它投入到 CNN 網(wǎng)絡的第一層中。這一層會產生 channel 的數(shù)量，為了進行更簡單地處理。然后把所有輸出的結果組合在一起，并且增加它的維度。再把維度增加到原來的 channel 的數(shù)量。把這個結果投入到損失函數(shù)中，來衡量我們的模型訓練的如何。最后，這個結果會被再次投入到網(wǎng)絡中，來生成下一個時間點所需要的音波數(shù)據(jù)。重復這個過程就可以生成更多的語音。這個網(wǎng)絡很大，在他們的 GPU 集群上需要花費九十分鐘，并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(xiàn)一個音頻生成器。
　　1.引入packaGEs：
　　數(shù)據(jù)科學包 Numpy ，數(shù)據(jù)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 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
　　我們會用到一種神經網(wǎng)絡的模型 RBM-Restricted Boltzmann Machine 作為生成模型。
　　它是一個兩層網(wǎng)絡：第一層是可見的，第二層是隱藏層。同一層的節(jié)點之間沒有聯(lián)系，不同層之間的節(jié)點相互連接。每一個節(jié)點都要決定它是否需要將已經接收到的數(shù)據(jù)發(fā)送到下一層，而這個決定是隨機的。
　　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 = 2note_rangenum_timesteps #This is the size of the visible layer.
　　n_hiDDen = 50 #This is the size of the hidden layer
　　訓練次數(shù)，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 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)絡的數(shù)據(jù)
　　w 用來存儲權重矩陣，或者叫做兩層之間的關系
　　此外還需要兩種 bias，一個是隱藏層的 bh，一個是可見層的 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。
　　它可以生成一個統(tǒng)計模型，其中，每一個狀態(tài)都依賴于前一個狀態(tài)，并且隨機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.運行 Graph 算法圖：
　　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，以便于相應的向量表示可以更好地被用于訓練模型。
　　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 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］）
　　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。
　　需要訓練 Gibbs chain
　　其中的 visible nodes 先初始化為0，來生成一些樣本。
　　然后把向量 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 file
　　S = np.reshape（sample［i，：］， （num_timesteps， 2*note_range））
　　最后，打印出生成的和弦
　　midi_manipulation.noteStateMatrixToMidi（S， “generatedchord{}”.format（i））1212
　　綜上，就是用 CNN 來參數(shù)化地生成音波，用 RBM 可以很容易地根據(jù)訓練數(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練樣本。
?