【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
- 一个PHP混淆后门的分析
洒家的朋友的公司的某个站发现最近被上传了一个后门程序.为了取证我们抓取了HTTP请求流量,看到了一堆莫名其妙看似经过混淆的请求,响应也是看似base64的乱码.洒家用了2个小时静态分析了一遍,并写了利 ...
- cuda fft 计算
#include <assert.h> #include <stdio.h> #include <stdlib.h> #include <string.h&g ...
- go 字符变量
go语言变量定义 第一类,通过关键字var来声明,可以在main函数体外 // varStudy //变量在main函数体外声明 package main import ( "fmt&quo ...
- 洛谷10月月赛Round.1| P3400 仓鼠窝[单调栈]
题目描述 萌萌哒的Created equal是一只小仓鼠,小仓鼠自然有仓鼠窝啦. 仓鼠窝是一个由n*m个格子组成的行数为n.列数为m的矩阵.小仓鼠现在想要知道,这个矩阵中有多少个子矩阵!(实际上就是有 ...
- BZOJ1864[ZJOI2006]三色二叉树[树形DP]
1864: [Zjoi2006]三色二叉树 Time Limit: 1 Sec Memory Limit: 64 MBSubmit: 773 Solved: 548[Submit][Status] ...
- 第15章 设备无关位图_15.3 DIB和DDB的结合
第15章 设备相关位图_15.3 DIB和DDB的结合 15.3.1 从DIB创建DDB (1)hBitmap =CreateDIBitmap(…)——注意这名称会误导,实际上创建的是DDB 参数 说 ...
- 怎么修改windows命令行字体大小
打开命令行窗口: 在标题栏处右键单击-->属性,然后更改即可
- 那些强悍的PHP一句话后门
强悍的PHP一句话后门这类后门让网站.服务器管理员很是头疼,经常要换着方法进行各种检测,而很多新出现的编写技术,用普通的检测方法是没法发现并处理的.今天我们细数一些有意思的PHP一句话木马.利用404 ...
- tyvj[1089]smrtfun
描述 现有N个物品,第i个物品有两个属性A_i和B_i.在其中选取若干个物品,使得sum{A_i + B_i}最大,同时sum{A_i},sum{B_i}均非负(sum{}表示求和). 输入格式 ...
- http协议（二）请求和响应报文的构成
http协议用于客户端和服务器之间的通信,请求访问资源的一方称为客户端,而提供资源响应的一方称为服务器端. 下面就是客户端和服务端之间简单的通信过程 PS:请求必须从客户端建立通信,服务端没收到请求之 ...