新智元報道

　　

　　DataSet: 本文使用GTZAN Genre Collection音樂數據集，地址:[1]

　　這個數據集包含1000首不同的歌曲，分布在10種不同流派，每個流派100首，每首歌曲大約30秒。

　　使用的庫：Python庫librosa，用于從歌曲中提取特征，并使用梅爾頻率倒譜系數（ Mel-frequency cepstral coefficients ，MFCC）。

　　MFCC數值模仿人類的聽覺，在語音識别和音樂類型檢測中有廣泛的應用。MFCC值将被直接輸入神經網絡。

　　了解MFCC

　　讓我們用兩個例子來說明MFCC。請通過Stereo Surgeon下載Kick Loop 5[2]和Whistling[3]。其中一個是低音鼓聲，另一個是高音口哨聲。它們明顯不同，你可以看到它們的MFCC數值是不同的。

　　讓我們轉到代碼（本文的所有代碼文件都可以在Github鍊接中找到）。

　　以下是你需要導入的内容列表：

　　librosalibrary

　　glob，你需要列出不同類型目錄中的文件

　　numpy

　　matplotlib，繪制MFCC graphs

　　Keras的序列模型，一種典型的前饋神經網絡

　　密集的神經網絡層，即有很多神經元的層。

　　例如，與卷積不同的是，它具有2D表示。你必須使用import activation，它允許你為每個神經元層提供一個激活函數，以及to_categorical，它允許你把類的名稱轉換成諸如搖滾（rock），迪斯科（disco）等等，稱為one-hot 編碼， 如下所示：

　　這樣，你已經正式開發了一個輔助函數來顯示MFCC的值

　　首先，加載歌曲，然後從中提取MFCC值。然後，使用specshow，這是librosa庫裡的頻譜圖。

　　這是踏闆鼓：

　　Low frequency: Kick loop 5

　　可以看到，在低頻率下，低音是非常明顯的。沒有多少其他頻率被表示。但是，口哨聲的頻譜圖明顯有更高的頻率表示：

　　High frequency: Whistling

　　顔色越深或越接近紅色，在那個頻率範圍内的能量越大。

　　限定歌曲流派

　　你甚至可以看到口哨聲的頻率的變化。下面是是disco曲的頻率：

　　Song type/genre: Disco

　　下面是頻率輸出：

　　Disco Songs

　　你可以在前面的輸出中看到節拍，但由于它們隻有30秒長，因此很難看到單個的節拍。将它與古典樂相比較，會發現古典音樂沒有那麼多的節拍，而是有連續的低音線，比如下面是來自大提琴的低音線：

　　Song genre: Classical

　　下面是嘻哈音樂（hip-hop）的頻率：

　　Song genre: HipHop

　　HipHop songs

　　它看起來有點像disco，分辨它們之間的細微區别是神經網絡的問題。

　　這裡還有另一個輔助函數，它隻加載MFCC值，但這次你是正在為神經網絡做準備：

　　同時加載的是歌曲的MFCC值，但由于這些值可能在-250到 150之間，它們對神經網絡沒有什麼好處。你需要輸入接近-1到 1或0到1的值。

　　因此，需要計算出每首歌曲的最大值和絕對值。然後将所有值除以最大值。此外，歌曲的長度略有不同，因此隻需要選擇25000個MFCC值。你必須非常确定你輸入神經網絡的東西的大小總是相同，因為隻有那麼多的輸入神經元，一旦搭建好網絡就無法改變了。

　　限定歌曲以獲得MFCC值和流派名稱

　　接下來，有一個名為generate _features_and_labels的函數，它将遍曆所有不同的流派，并遍曆數據集中的所有歌曲，然後生成MFCC值和流派名：

　　如上面的截圖所示，準備一個所有特征和标簽的列表。遍曆全部10種流派。對于每種流派，請查看該文件夾中的文件。'generes /' genre '/ *。au'文件夾顯示數據集的組織方式。

　　處理這個文件夾時，每個文件會有100首歌曲; 你可以提取特征并将這些特征放在all_features.append(features)列表中。那首歌曲的流派名稱也需要列在一個列表中。因此，最終，所有features将包含1000個條目，所有标簽也将包含1000個條目。在所有feature的情況下，這1000個條目中的每一個都将有25000個條目。這是一個1000 x 25000矩陣。

　　對于目前的所有标簽，有一個1000 entry的列表，裡面是藍調、古典、鄉村、迪斯科、嘻哈、爵士、金屬、流行、雷鬼和搖滾等等詞彙。這就成問題了，因為神經網絡不會預測單詞或預測字母。你需要給它一個one-hot編碼，這意味着這裡的每個單詞都将被表示為十個二進制數。

　　藍調（blues）的情況下，它是1後面跟着9個0。

　　古典（classical）的情況是，是0後面跟着1，再跟着9個0。以此類推。首先，通過np.unique(all_labels, return_inverse=True) 命令将它們作為整數返回來計算所有唯一的名稱。然後，使用to_categorical，将這些整數轉換為one-hot編碼。

　　那麼，返回的是1000x10維。因為有1000首歌曲，每個歌曲都有10個二進制數字來表示單熱編碼。然後，通過命令return np.stack(all_features)返回堆疊在一起的所有特征，onehot_labels到單個矩陣，以及one-hot矩陣。因此，調用上層函數并保存特征和标簽：

　　為了确保正确，請打印如下面的截圖所示的特性和标簽的形狀。特性是1000×25000，标簽是1000×10。現在，将數據集拆分為一個列并測試拆分。将80%的标記定義為training_split= 0.8，以執行拆分:

　　接下來，構建神經網絡：

　　你會得到一個序列神經網絡。第一層是100個神經元的dense layer。在第一層，你需要給出輸入尺寸或輸入形狀，在這個例子裡，就是25000。

　　這表示每個示例有多少輸入值。25000将連接到第一層中的100。

　　第一層将對其輸入，權重和偏差項進行加權求和，然後運行relu激活函數。relu表示任何小于0的都會變成0，任何高于0的都是值本身。

　　然後，這100個将連接到另外10個，就是輸出層。之所以是10，是因為你已經完成了one-hot編碼并且在編碼中有10個二進制數。

　　代碼中使用的激活softmax告訴你取10的輸出并對它們進行規範化，使它們加起來為1。這樣，它們最終成為了概率。現在考慮10個中的得分最高或概率最高的作為預測。這将直接對應于最高數字位置。例如，如果它在位置4，那麼它就是disco。

　　接下來，編譯模型，選擇Adam等優化器，并定義損失函數。由于你有多個輸出，你可能希望進行分類交叉熵和度量準确性，以便除了始終顯示的損失之外，還可以在評估期間看到準确度。但是，準确度更有意義。接下來，打印model.summary，它會告訴你有關層的詳細信息。它看起來是這樣的：

　　第一個100神經元的層的輸出形狀肯定是100個值，因為有100個神經元，而密集的第二層的輸出是10，因為有10個神經元。那麼，為什麼第一層有250萬個參數或權重？這是因為你有25000個輸入。

　　你有25000個輸入，每個輸入都會進入100個密集神經元中的一個。因此，也就是250萬個，然後加上100，因為100個個神經元中每個都有自己的bias term，它自身的偏差權重也需要學習。

　　你有大約250萬個參數或權重。接下來，運行拟合。這需要訓練輸入和訓練标簽，并獲取你想要的epochs數量。你想要10，所以在經過訓練的輸入上重複10次。它需要一個batch size來告訴你這個數字，在這種情況下，歌曲在更新權重之前要遍曆；并且validation_split是0.2，表示要接受20％的訓練輸入，将其拆分出來，實際上并沒有對其進行訓練，并用它來評估每個epoch之後它的表現如何。實際上從來沒有訓練驗證拆分，但驗證拆分可讓你随時查看進度。

　　最後，因為你提前将訓練和測試分開了，所以對測試、測試數據進行評估，并打印出測試數據的損失和準确度。以下是訓練結果：

　　它邊運行邊打印，并始終打印損失和準确性。這是在訓練集本身，而不是驗證集上，所以這應該非常接近1.0。你可能不希望它接近1.0，因為這可能代表過拟合，但是如果你讓它持續足夠長時間，通常會在訓練集上達到1.0的精度，因為它會記住訓練集。

　　你真正關心的是驗證的準确度，這就需要使用測試集。測試集是以前從未見過的數據，至少不是用于訓練的數據。最終的準确性取決于你提前分離的測試數據。現在你的準确度大約為53％。這看起來比較低，但要知道有10種不同的流派。随機猜測的準确率是10％，所以這比随機猜測要好很多。

　　[1]marsyasweb.appspot.com/download/data_sets/.GTZAN Genre Collection

　　[2]htt

更多精彩资讯请关注tft每日頭條，我们将持续为您更新最新资讯!