机器音乐的背后是创造力吗？-之二

520研究了好久，有点小失望啊。 虽然最终出来的结果机器人创作的音乐差别并不大。 但是再深入看了算法的代码之后，觉得也没有我想象的那么智能。

接下来将分两步介绍，在开始研究该算法前我的理解，和该算法的音乐制作的原理：

我的理解：

首先，音乐不同于图片识别。对于音乐包含两个元素： 顺序和单音；

关于单音，肯定不会以字母的形式表达，应该会给每个单音一个数字标签；

关于顺序，虽然还没有学习过RNN算法，但是类似LSTM算法的作用也听说过。所以可以预见，该算法将肯定会，收集一些音乐，学习每个音乐的顺序；

关于神经网络，最后肯定是通过某种类型的神经网络学习，但是如何预测呢？ 神经网络预测时，输入值是什么呢？

音乐创作就是一个预测问题，但是是以什么结构进行预测呢？ 一个单音一个单音预测，还是10个 10个预测呢？

算法实践：

数据收集：

我们需要学习的是音乐的“顺序”，我们将100个音节定义为一个“顺序”单元（100是人为定的）

所以训练收据收集的目的是获取更多的 “顺序”单元

首先，收集了92首单乐器的音乐，钢琴曲。

然后，将92首钢琴曲，用Music92 分解为上一篇提到的乐谱格式。

然后，将92首钢琴曲的音阶组合成一个包含56807个音阶列表

最后，每隔一个音阶，切割100个单音组合成的序列。 最终得到 （56807-100+1）个训练样本

训练数据收集的过程，可以简单理解为，将92首钢琴曲组合在一起，然后再切割的过程。 但是这个处理方式有一个问题，就是可能存在 不同钢琴曲的衔接，造成 音阶顺序并不代表音乐。

神经网络结构：

要说明神经网络结构，需要先说明，神经网络的目的。

该算法制作音乐的方法，很“直接”，就是预测 ”下一个音阶“。 简单来说，就是输入100个音阶，输出一个预测的音阶。

那么从神经网络的目的，我们就能得知：

神经网络的输入层为100个单元

神经网络的输出层为314个单元（这92首歌有314个不同的和弦或者音阶）

神经网络隐藏层，为 循环神经网络结构 LSTM（还未完整学习）

训练及预测：

训练就不多讲了，直接进入预测环节。

按照该神经网络的模式，是输入100个音阶，然后预测1个音阶。 那么该算法是如何处理的呢？

首先，该算法从我们用于训练的（56807-100+1）个样本中随机抽取一个，输入神经网络（100个音阶），然后预测出第101个音阶。

然后，将原来100个音阶的第一个删除，再加上原来第101个音阶，形成新的100个音阶；

然后，循环以上操作100次，那么剩下的100个音阶都是预测得出的。

评价： 不知道其他音乐制作的算法是如何运作的，仅评价该算法

首先，用于预测的初始100个音阶是人类音乐。 所以从根源上，其就不是完整的机器音乐；

其次，该算法的机器音乐实际上，只是将原人类音乐（100个音阶）进行了非常复杂的变形。其并不能体现机器创造力；

最后，在神经网络训练完成后，输入的原始100个音阶，就决定了预测出的100个音阶。 所以旋律是否也会和原100音阶有一定联系；

结论，仅就该算法， 只是将原音乐以100音阶为单元进行了复杂的变形，背后并没有创造力的体现。 不过，LSTM算法还是很有意思的，虽然很复杂。