本文手把手教你如何構(gòu)建一個(gè)能夠識(shí)別歌曲類型的神經(jīng)網(wǎng)絡(luò)。

DataSet: 本文使用GTZAN Genre Collection音樂(lè)數(shù)據(jù)集，地址:[1]

這個(gè)數(shù)據(jù)集包含1000首不同的歌曲，分布在10種不同流派，每個(gè)流派100首，每首歌曲大約30秒。

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

MFCC數(shù)值模仿人類的聽(tīng)覺(jué)，在語(yǔ)音識(shí)別和音樂(lè)類型檢測(cè)中有廣泛的應(yīng)用。MFCC值將被直接輸入神經(jīng)網(wǎng)絡(luò)。

了解MFCC

讓我們用兩個(gè)例子來(lái)說(shuō)明MFCC。請(qǐng)通過(guò)Stereo Surgeon下載Kick Loop 5[2]和Whistling[3]。其中一個(gè)是低音鼓聲，另一個(gè)是高音口哨聲。它們明顯不同，你可以看到它們的MFCC數(shù)值是不同的。

讓我們轉(zhuǎn)到代碼（本文的所有代碼文件都可以在Github鏈接中找到）。

以下是你需要導(dǎo)入的內(nèi)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(jīng)網(wǎng)絡(luò)

密集的神經(jīng)網(wǎng)絡(luò)層，即有很多神經(jīng)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(gè)神經(jīng)元層提供一個(gè)激活函數(shù)，以及to_categorical，它允許你把類的名稱轉(zhuǎn)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(jīng)正式開發(fā)了一個(gè)輔助函數(shù)來(lái)顯示MFCC的值

首先，加載歌曲，然后從中提取MFCC值。然后，使用specshow，這是librosa庫(kù)里的頻譜圖。

這是踏板鼓：

Low frequency: Kick loop5

可以看到，在低頻率下，低音是非常明顯的。沒(méi)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

顏色越深或越接近紅色，在那個(gè)頻率范圍內(nèi)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(jié)拍，但由于它們只有30秒長(zhǎng)，因此很難看到單個(gè)的節(jié)拍。將它與古典樂(lè)相比較，會(huì)發(fā)現(xiàn)古典音樂(lè)沒(méi)有那么多的節(jié)拍，而是有連續(xù)的低音線，比如下面是來(lái)自大提琴的低音線：

Song genre: Classical

下面是嘻哈音樂(lè)（hip-hop）的頻率：

Song genre:HipHop

HipHop songs

它看起來(lái)有點(diǎn)像disco，分辨它們之間的細(xì)微區(qū)別是神經(jīng)網(wǎng)絡(luò)的問(wèn)題。

這里還有另一個(gè)輔助函數(shù)，它只加載MFCC值，但這次你是正在為神經(jīng)網(wǎng)絡(luò)做準(zhǔn)備：

同時(shí)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(duì)神經(jīng)網(wǎng)絡(luò)沒(méi)有什么好處。你需要輸入接近-1到+1或0到1的值。

因此，需要計(jì)算出每首歌曲的最大值和絕對(duì)值。然后將所有值除以最大值。此外，歌曲的長(zhǎng)度略有不同，因此只需要選擇25000個(gè)MFCC值。你必須非常確定你輸入神經(jīng)網(wǎng)絡(luò)的東西的大小總是相同，因?yàn)橹挥心敲炊嗟妮斎肷窠?jīng)元，一旦搭建好網(wǎng)絡(luò)就無(wú)法改變了。

限定歌曲以獲得MFCC值和流派名稱

接下來(lái)，有一個(gè)名為generate _features_and_labels的函數(shù)，它將遍歷所有不同的流派，并遍歷數(shù)據(jù)集中的所有歌曲，然后生成MFCC值和流派名：

如上面的截圖所示，準(zhǔn)備一個(gè)所有特征和標(biāo)簽的列表。遍歷全部10種流派。對(duì)于每種流派，請(qǐng)查看該文件夾中的文件。'generes /'+ genre +'/ *。au'文件夾顯示數(shù)據(jù)集的組織方式。

處理這個(gè)文件夾時(shí)，每個(gè)文件會(huì)有100首歌曲; 你可以提取特征并將這些特征放在all_features.append(features)列表中。那首歌曲的流派名稱也需要列在一個(gè)列表中。因此，最終，所有features將包含1000個(gè)條目，所有標(biāo)簽也將包含1000個(gè)條目。在所有feature的情況下，這1000個(gè)條目中的每一個(gè)都將有25000個(gè)條目。這是一個(gè)1000 x 25000矩陣。

對(duì)于目前的所有標(biāo)簽，有一個(gè)1000 entry的列表，里面是藍(lán)調(diào)、古典、鄉(xiāng)村、迪斯科、嘻哈、爵士、金屬、流行、雷鬼和搖滾等等詞匯。這就成問(wèn)題了，因?yàn)樯窠?jīng)網(wǎng)絡(luò)不會(huì)預(yù)測(cè)單詞或預(yù)測(cè)字母。你需要給它一個(gè)one-hot編碼，這意味著這里的每個(gè)單詞都將被表示為十個(gè)二進(jìn)制數(shù)。

藍(lán)調(diào)（blues）的情況下，它是1后面跟著9個(gè)0。

古典（classical）的情況是，是0后面跟著1，再跟著9個(gè)0。以此類推。首先，通過(guò)np.unique(all_labels, return_inverse=True) 命令將它們作為整數(shù)返回來(lái)計(jì)算所有唯一的名稱。然后，使用to_categorical，將這些整數(shù)轉(zhuǎn)換為one-hot編碼。

那么，返回的是1000x10維。因?yàn)橛?000首歌曲，每個(gè)歌曲都有10個(gè)二進(jìn)制數(shù)字來(lái)表示單熱編碼。然后，通過(guò)命令return np.stack(all_features)返回堆疊在一起的所有特征，onehot_labels到單個(gè)矩陣，以及one-hot矩陣。因此，調(diào)用上層函數(shù)并保存特征和標(biāo)簽：

為了確保正確，請(qǐng)打印如下面的截圖所示的特性和標(biāo)簽的形狀。特性是1000×25000，標(biāo)簽是1000×10?，F(xiàn)在，將數(shù)據(jù)集拆分為一個(gè)列并測(cè)試拆分。將80%的標(biāo)記定義為training_split= 0.8，以執(zhí)行拆分:

接下來(lái)，構(gòu)建神經(jīng)網(wǎng)絡(luò)：

你會(huì)得到一個(gè)序列神經(jīng)網(wǎng)絡(luò)。第一層是100個(gè)神經(jīng)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(gè)例子里，就是25000。

這表示每個(gè)示例有多少輸入值。25000將連接到第一層中的100。

第一層將對(duì)其輸入，權(quán)重和偏差項(xiàng)進(jìn)行加權(quán)求和，然后運(yùn)行relu激活函數(shù)。relu表示任何小于0的都會(huì)變成0，任何高于0的都是值本身。

然后，這100個(gè)將連接到另外10個(gè)，就是輸出層。之所以是10，是因?yàn)槟阋呀?jīng)完成了one-hot編碼并且在編碼中有10個(gè)二進(jìn)制數(shù)。

代碼中使用的激活softmax告訴你取10的輸出并對(duì)它們進(jìn)行規(guī)范化，使它們加起來(lái)為1。這樣，它們最終成為了概率?，F(xiàn)在考慮10個(gè)中的得分最高或概率最高的作為預(yù)測(cè)。這將直接對(duì)應(yīng)于最高數(shù)字位置。例如，如果它在位置4，那么它就是disco。

接下來(lái)，編譯模型，選擇Adam等優(yōu)化器，并定義損失函數(shù)。由于你有多個(gè)輸出，你可能希望進(jìn)行分類交叉熵和度量準(zhǔn)確性，以便除了始終顯示的損失之外，還可以在評(píng)估期間看到準(zhǔn)確度。但是，準(zhǔn)確度更有意義。接下來(lái)，打印model.summary，它會(huì)告訴你有關(guān)層的詳細(xì)信息。它看起來(lái)是這樣的：

第一個(gè)100神經(jīng)元的層的輸出形狀肯定是100個(gè)值，因?yàn)橛?00個(gè)神經(jīng)元，而密集的第二層的輸出是10，因?yàn)橛?0個(gè)神經(jīng)元。那么，為什么第一層有250萬(wàn)個(gè)參數(shù)或權(quán)重？這是因?yàn)槟阌?5000個(gè)輸入。

你有25000個(gè)輸入，每個(gè)輸入都會(huì)進(jìn)入100個(gè)密集神經(jīng)元中的一個(gè)。因此，也就是250萬(wàn)個(gè)，然后加上100，因?yàn)?00個(gè)個(gè)神經(jīng)元中每個(gè)都有自己的bias term，它自身的偏差權(quán)重也需要學(xué)習(xí)。

你有大約250萬(wàn)個(gè)參數(shù)或權(quán)重。接下來(lái)，運(yùn)行擬合。這需要訓(xùn)練輸入和訓(xùn)練標(biāo)簽，并獲取你想要的epochs數(shù)量。你想要10，所以在經(jīng)過(guò)訓(xùn)練的輸入上重復(fù)10次。它需要一個(gè)batch size來(lái)告訴你這個(gè)數(shù)字，在這種情況下，歌曲在更新權(quán)重之前要遍歷；并且validation_split是0.2，表示要接受20％的訓(xùn)練輸入，將其拆分出來(lái)，實(shí)際上并沒(méi)有對(duì)其進(jìn)行訓(xùn)練，并用它來(lái)評(píng)估每個(gè)epoch之后它的表現(xiàn)如何。實(shí)際上從來(lái)沒(méi)有訓(xùn)練驗(yàn)證拆分，但驗(yàn)證拆分可讓你隨時(shí)查看進(jìn)度。

最后，因?yàn)槟闾崆皩⒂?xùn)練和測(cè)試分開了，所以對(duì)測(cè)試、測(cè)試數(shù)據(jù)進(jìn)行評(píng)估，并打印出測(cè)試數(shù)據(jù)的損失和準(zhǔn)確度。以下是訓(xùn)練結(jié)果：

它邊運(yùn)行邊打印，并始終打印損失和準(zhǔn)確性。這是在訓(xùn)練集本身，而不是驗(yàn)證集上，所以這應(yīng)該非常接近1.0。你可能不希望它接近1.0，因?yàn)檫@可能代表過(guò)擬合，但是如果你讓它持續(xù)足夠長(zhǎng)時(shí)間，通常會(huì)在訓(xùn)練集上達(dá)到1.0的精度，因?yàn)樗鼤?huì)記住訓(xùn)練集。

你真正關(guān)心的是驗(yàn)證的準(zhǔn)確度，這就需要使用測(cè)試集。測(cè)試集是以前從未見(jiàn)過(guò)的數(shù)據(jù)，至少不是用于訓(xùn)練的數(shù)據(jù)。最終的準(zhǔn)確性取決于你提前分離的測(cè)試數(shù)據(jù)?，F(xiàn)在你的準(zhǔn)確度大約為53％。這看起來(lái)比較低，但要知道有10種不同的流派。隨機(jī)猜測(cè)的準(zhǔn)確率是10％，所以這比隨機(jī)猜測(cè)要好很多。