【Magenta 项目初探】手把手教你用Tensorflow神经网络创造音乐
原文链接：http://www.cnblogs.com/learn-to-rock/p/5677458.html
偶然在网上看到了一个让我很感兴趣的项目 Magenta，用Tensorflow让神经网络自动创造音乐。
白话就是：可以用一些音乐的风格来制作模型，然后用训练出的模型对新的音乐进行加工从而创造出新的音乐。
花了半天时间捣鼓终于有了成果，挺开心的，同时也把这半天的经验拿来分享，能让大家节约一些时间也算是我对社会做出的一点贡献吧。
再次感受 Google 的黑科技
希望大家能喜欢我的Chinglish
--第一步，安装，工具准备！--
操作系统：请放弃 windows 吧，选择linux 或者 Unix
想在windows上直接运行现在真的是毫无办法，刚开始想尝试新技术，应用容器——docker，不过没有windows 专业版的 hyperV，无法成功安装docker。
在linux上安装
1. 基本编程环境
python 2.7 / 3.* 都可以使用 TensorFlow 的 API
Java 环境：JDK
可以用 apt-get 安装
顺便把java添加到环境中吧，linux 中修改 bashrc. 路径PATH="$PATH:$HOME/bin"
这部分我就不赘述，反正你要这都不会百度基本上就告别编程了。
2. Project Magenta
3. TensorFlow 的安装
本团员是这样做的：
$ sudo apt-get install python-pip python-dev
$ sudo pip install --upgrade https://storage.googleapis.com/tensorflow/linux/cpu/tensorflow-0.9.0-cp27-none-linux_x86_64.whl
你可能会在这个过程遇到版本依赖问题，可以尝试参考下面做法：
sudo aptitude install python-dev
4. 安装bazel
选择合适版本
面对新鲜事物，请听亲生父母的，请一定看官方文档：http://www.bazel.io/docs/install.html
注：linux download 的时候可以使用 wget
--第二步：开始创作！--
命令可以保存为 bash 格式方便以后使用，我是分四个步骤，编了4个批处理文件，
请一定注意修改路径
// 中途需要从github下载一些东西，不造是什么，所以请保持网络畅通
1. 第一个bash：创建旋律数据库
#!/bin/bash##创建旋律数据库MIDI_DIRECTORY=/home/liukun/TensorFlow/magenta/music/train #这里换成你的文件路径就行了SEQUENCES_TFRECORD=/home/liukun/TensorFlow/magenta/music/train/notesequences.tfrecordbazel run //magenta/scripts:convert_midi_dir_to_note_sequences -- \--midi_dir=$MIDI_DIRECTORY \--output_file=$SEQUENCES_TFRECORD \--recursive
2. 第二个bash：提取出训练样本
# TFRecord file containing NoteSequence protocol buffers from convert_midi_dir_to_note_sequences.py.SEQUENCES_TFRECORD=/home/liukun/TensorFlow/magenta/music/train/notesequences.tfrecord# TFRecord file that TensorFlow's SequenceExample protos will be written to. This is the training dataset.TRAIN_DATA=/home/liukun/TensorFlow/magenta/music/train/training_melodies.tfrecord# Optional evaluation dataset. Also, a TFRecord file containing SequenceExample protos.EVAL_DATA=/home/liukun/TensorFlow/magenta/music/eval_melodies.tfrecord# Fraction of input data that will be written to the eval dataset (if eval_output flag is set).EVAL_RATIO=0.10bazel run //magenta/models/basic_rnn:basic_rnn_create_dataset -- \--input=$SEQUENCES_TFRECORD \--train_output=$TRAIN_DATA \--eval_output=$EVAL_DATA \--eval_ratio=$EVAL_RATIO
遇到的问题：本地github保存的账号可能会因为与远程github账号不同而出现错误，我root账户绑定了github用户，哪曾想到今天.....所以不用sudo了
3. 第三个bash : 训练神经网络模型, 最耗费时间！！！
#首先compile basic_rnn工具bazel build //magenta/models/basic_rnn:basic_rnn_trainTRAIN_DATA=/home/liukun/TensorFlow/magenta/music/train/training_melodies.tfrecord#训练模型，其中“rnn_layer_size”是神经网络的层数，可以自定义/home/liukun/TensorFlow/magenta/bazel-bin/magenta/models/basic_rnn/basic_rnn_train --experiment_run_dir=/home/liukun/TensorFlow/magenta/music --sequence_example_file=$TRAIN_DATA --eval=false --hparams='{"rnn_layer_sizes":[30]}' --num_training_steps=2000
我为了节省时间，只训练了2000遍，所以......
4. 第四个bash：生成新的的旋律！
##生成旋律#指定测试旋律的文件地址PRIMER_PATH=/home/liukun/TensorFlow/magenta/music/origional/Canon.mid#注意这里是绝对地址，只能指定一首歌# num_outputs 指定生成曲目数量bazel run //magenta/models/basic_rnn:basic_rnn_generate -- \--experiment_run_dir=/home/liukun/TensorFlow/magenta/magenta/models \--hparams='{"rnn_layer_sizes":[30]}' \--primer_midi=$PRIMER_PATH \--output_dir=/home/liukun/TensorFlow/magenta/music/generate \--num_steps=64 \--num_outputs=3
等待显得那么漫长。
程序执行结束，我按耐不住一颗好奇之心，满怀期待地打开刚刚诞生于这个世界的新艺术，泪目，这融合了21世纪最前沿技术的新作
旋律奏响，真TM......不好听。
老司机留话：
主要需要修改的就是文件的路径了。
我的思路使用一些风格突出的歌曲作为训练集，然后对简单的旋律进行加工，这样应该更能体现效果。
提醒：文件路径要使用绝对路径，虽然不知道问什么，但不这样就会出错，提示权限问题。
关于这个项目的Google讨论小组：
https://groups.google.com/a/tensorflow.org/forum/#!forum/magenta-discuss
最后祝大家假期愉快！
5555半天没刷题了~~~~
转载请注意排版，别搞得难看的一比!!!
项目文件目录树供参考：
.
├── bazel installer
│ ├── bazel
│ └── bazel-0.3.0-installer-linux-x86_64.sh
├── magenta
│ ├── 1.sh
│ ├── 1.sh~
│ ├── 2.sh
│ ├── 2.sh~
│ ├── 3.sh
│ ├── 3.sh~
│ ├── 4.sh
│ ├── 4.sh~
│ ├── bazel-bin -> /home/liukun/.cache/bazel/_bazel_liukun/ebbbbefb206fd0a3aa08c53b60fb3fee/execroot/magenta/bazel-out/local-opt/bin
│ ├── bazel-genfiles -> /home/liukun/.cache/bazel/_bazel_liukun/ebbbbefb206fd0a3aa08c53b60fb3fee/execroot/magenta/bazel-out/local-opt/genfiles
│ ├── bazel-magenta -> /home/liukun/.cache/bazel/_bazel_liukun/ebbbbefb206fd0a3aa08c53b60fb3fee/execroot/magenta
│ ├── bazel-out -> /home/liukun/.cache/bazel/_bazel_liukun/ebbbbefb206fd0a3aa08c53b60fb3fee/execroot/magenta/bazel-out
│ ├── bazel-testlogs -> /home/liukun/.cache/bazel/_bazel_liukun/ebbbbefb206fd0a3aa08c53b60fb3fee/execroot/magenta/bazel-out/local-opt/testlogs
│ ├── __init__.py
│ ├── LICENSE
│ ├── magenta
│ │ ├── 1.sh
│ │ ├── 2.sh~
│ │ ├── BUILD
│ │ ├── __init__.py
│ │ ├── __init__.pyc
│ │ ├── lib
│ │ │ ├── BUILD
│ │ │ ├── __init__.py
│ │ │ ├── __init__.pyc
│ │ │ ├── melodies_lib.py
│ │ │ ├── melodies_lib_test.py
│ │ │ ├── midi_io.py
│ │ │ ├── midi_io.pyc
│ │ │ ├── midi_io_test.py
│ │ │ ├── note_sequence_io.py
│ │ │ ├── note_sequence_io_test.py
│ │ │ ├── sequence_example_lib.py
│ │ │ ├── sequence_to_melodies.py
│ │ │ ├── sequence_to_melodies_test.py
│ │ │ └── tf_lib.py
│ │ ├── models
│ │ │ ├── attention_rnn
│ │ │ │ ├── attention_rnn_create_dataset.py
│ │ │ │ ├── attention_rnn_encoder_decoder.py
│ │ │ │ ├── attention_rnn_generate.py
│ │ │ │ ├── attention_rnn_graph.py
│ │ │ │ ├── attention_rnn_train.py
│ │ │ │ ├── BUILD
│ │ │ │ └── README.md
│ │ │ ├── basic_rnn
│ │ │ │ ├── basic_rnn_create_dataset.py
│ │ │ │ ├── basic_rnn_encoder_decoder.py
│ │ │ │ ├── basic_rnn_encoder_decoder.pyc
│ │ │ │ ├── basic_rnn_generate.py
│ │ │ │ ├── basic_rnn_graph.py
│ │ │ │ ├── basic_rnn_graph.pyc
│ │ │ │ ├── basic_rnn_train.py
│ │ │ │ ├── BUILD
│ │ │ │ ├── README.md
│ │ │ │ └── run_basic_rnn_train.sh
│ │ │ ├── lookback_rnn
│ │ │ │ ├── BUILD
│ │ │ │ ├── lookback_rnn_create_dataset.py
│ │ │ │ ├── lookback_rnn_encoder_decoder.py
│ │ │ │ ├── lookback_rnn_generate.py
│ │ │ │ ├── lookback_rnn_graph.py
│ │ │ │ ├── lookback_rnn_train.py
│ │ │ │ └── README.md
│ │ │ └── shared
│ │ │ ├── BUILD
│ │ │ ├── melody_rnn_create_dataset.py
│ │ │ ├── melody_rnn_generate.py
│ │ │ ├── melody_rnn_train.py
│ │ │ ├── primer.mid
│ │ │ └── README.md
│ │ ├── protobuf
│ │ │ ├── BUILD
│ │ │ └── music.proto
│ │ ├── reviews
│ │ │ ├── assets
│ │ │ │ ├── attention_interpolation.png
│ │ │ │ ├── attention_parameterization.png
│ │ │ │ ├── color-preserving-ny.jpg
│ │ │ │ ├── diagram.png
│ │ │ │ ├── generation.gif
│ │ │ │ ├── mnist_generation.png
│ │ │ │ ├── pixelrnn_figure6.png
│ │ │ │ ├── pixelrnn_full_context.png
│ │ │ │ ├── pixelrnn_masks_A.png
│ │ │ │ ├── pixelrnn_masks_B.png
│ │ │ │ ├── pixelrnn_masks_highlevel.png
│ │ │ │ ├── svhn_generation.png
│ │ │ │ └── tubingen-starry-night.jpg
│ │ │ ├── draw.md
│ │ │ ├── pixelrnn.md
│ │ │ ├── README.md
│ │ │ ├── styletransfer.md
│ │ │ └── summary_generation_sequences.md
│ │ ├── Rossini_barbe(2).mid
│ │ ├── Rossini_barbe(3).mid
│ │ ├── Rossini_barbe.mid
│ │ ├── scripts
│ │ │ ├── BUILD
│ │ │ ├── convert_midi_dir_to_note_sequences.py
│ │ │ └── convert_midi_dir_to_note_sequences_test.py
│ │ └── testdata
│ │ ├── BUILD
│ │ ├── example_complex.mid
│ │ ├── example.mid
│ │ └── notesequences.tfrecord
│ ├── music
│ │ ├── eval_melodies.tfrecord
│ │ ├── generate
│ │ │ ├── 2016-07-16_224233_1.mid
│ │ │ ├── 2016-07-16_224233_2.mid
│ │ │ └── 2016-07-16_224233_3.mid
│ │ ├── origional
│ │ │ └── Canon.mid
│ │ └── train
│ │ ├── basket.mid
│ │ ├── detective.mid
│ │ ├── notesequences.tfrecord
│ │ └── training_melodies.tfrecord
│ ├── pretty_midi.BUILD
│ ├── python_midi.BUILD
│ ├── README.md
│ ├── six.BUILD
│ ├── tools
│ │ └── bazel.rc
│ ├── util
│ │ └── python
│ │ └── BUILD
│ ├── WORKSPACE
│ └── WORKSPACE~
【Magenta 项目初探】手把手教你用Tensorflow神经网络创造音乐的更多相关文章
- Kaggle系列1：手把手教你用tensorflow建立卷积神经网络实现猫狗图像分类
去年研一的时候想做kaggle上的一道题目:猫狗分类,但是苦于对卷积神经网络一直没有很好的认识,现在把这篇文章的内容补上去.(部分代码参考网上的,我改变了卷积神经网络的网络结构,其实主要部分我加了一层 ...
- [ionic开源项目教程] - 手把手教你使用移动跨平台开发框架Ionic开发一个新闻阅读APP
前言 这是一个系列文章,从环境搭建开始讲解,包括网络数据请求,将持续更新到项目完结.实战开发中遇到的各种问题的解决方案,也都将毫无保留的分享给大家. 关注订阅号:TongeBlog ,查看移动端跨平台 ...
- 深度学习入门篇--手把手教你用 TensorFlow 训练模型
欢迎大家前往腾讯云技术社区,获取更多腾讯海量技术实践干货哦~ 作者:付越 导语 Tensorflow在更新1.0版本之后多了很多新功能,其中放出了很多用tf框架写的深度网络结构(https://git ...
- 手把手教你做JavaWeb项目：登录模块
现如今,无论是客户端还是移动端,无论是游戏登陆还是社交平台登陆,无处不在的“登陆”.那么你知道怎么制作吗?今天就为你娓娓道来: 用户登录 在各大信息管理系统中,登录功能是必不可少的,他的作用就是验证用 ...
- 手把手教你使用 Spring Boot 3 开发上线一个前后端分离的生产级系统（一） - 介绍
项目简介 novel 是一套基于时下最新 Java 技术栈 Spring Boot 3 + Vue 3 开发的前后端分离的学习型小说项目,配备详细的项目教程手把手教你从零开始开发上线一个生产级别的 J ...
- TensorFlow 神经网络教程
TensorFlow 是一个用于机器学习应用程序的开源库.它是谷歌大脑的第二代系统,在取代了近源的 DistBelief 之后,被谷歌用于研究和生产应用.TensorFlow 提供了很多种语言接口,包 ...
- 史上最全最详细的环境搭建教程，行百里者手把手教你在windows下搭建Anaconda+pycharm+库文件（TensorFlow，numpy）环境搭建
我是在搭建TensorFlow开发环境的道路上走了很多弯路 掉了很多头发,为了让广大同学们不在受苦受累 下面我将手把手教你学习如特快速搭建python环境 快速导入numpy,PIL,pillow,等 ...
- 手把手教你如何搭建iOS项目基本框架
手把手教你如何搭建iOS项目基本框架 今天我们来谈谈如何搭建框架,框架需要做一些什么. 第一步:找到我们的目标我们的目标是让其他开发人员拿到手后即可写页面,不再需要考虑其他的问题. 第二步:我们需要做 ...
- 菜鸟-手把手教你把Acegi应用到实际项目中(8)-扩展UserDetailsService接口
一个能为DaoAuthenticationProvider提供存取认证库的的类,它必须要实现UserDetailsService接口: public UserDetails loadUserByUse ...
随机推荐
- docker基础
docker1.映射主机目录到镜像: $ docker run -v /data:/mnt -i -t image-id bash移除:docker rm -v 2.停止所有的container,这样 ...
- 工作中常用的Linux命令：ipcs/ipcrm命令
本文链接:http://www.cnblogs.com/MartinChentf/p/6057100.html (转载请注明出处) ipcs 1. 命令格式 ipcs [resource-option ...
- [转]关于信息安全认证CISP与CISSP的对比及分析
本文转自:https://www.douban.com/group/topic/89081816/ 最近好多信息安全行业或者打算转行的职场人在纠结学CISP还是学CISSP,我给大家就CISP和CIS ...
- MMORPG大型游戏设计与开发（客户端架构 part7 of vegine）
我在讲述某个东西的时候总喜欢从简单的入手,然后从互相关联的地方联合讲解,因为时间关系所以没能讲的十分详细,这点引以为憾,希望得到大家的谅解.这一节讲述的是微引擎(vengine)比较简单的一个模块,那 ...
- appium 常用api介绍（1）
前言:android手机大家都很熟悉,操作有按键.触摸.点击.滑动等,各种操作方法可以通过api的方法来实现. 参考博文:http://blog.csdn.net/bear_w/article/det ...
- JAVA单例
单例模式: 1 public class Person{ 2 public static Person per//定义一个静态变量,用来储存当前类的对象 3 private Person()//构造方 ...
- Mecanim 动作复用示例
Mecanim动作复用 资源包 四个动画文件 一个Controller 不同的模型 让模型都生成Avter,然后让多个模型重用一套动作 复用动作预览 动画状态机 资源地址 Assets Store地址 ...
- JDK-Logger
log4j的作者Ceki Gülcü在停止维护log4j后开始新的日志组件的开发,他的新作为日志门面slf4j以及log4j的替代品logback.不过logback至今还没有出1.0的正式版,所以使 ...
- CSS垂直居中精华总结
1 table-cell方式 将center元素的包含框display设置为table,center元素的display设置为table-cell,vertical-align设置为middle. ...
- Web API 接口
Web API 接口 在给网站编写 JavaScript 代码时,也有很多可用的 API.您可以使用下面的接口(也称为对象的类型)列表,开发 Web 应用程序或网站. 关于包含这些接口的 API 列表 ...