用TensorFlow训练midi文件实现AI作曲
想让 AI 学会作曲,首先要找到一批音乐样本,让它学。
AI 作曲,遵循"种瓜得瓜,种豆得豆"的原则:你给它训练什么风格的样本,它最终就会生成什么风格的音乐。
因此,我们需要找一些轻松活泼的音乐,这适合新年播放。
音乐文件的格式,我们选择 MIDI 格式。MIDI 的全称是:Musical Instrument Digital Interface ,翻译成中文就是:乐器数字接口。
这是一种什么格式?为什么会有这种格式呢?
话说,随着计算机的普及,电子乐器也出现了。电子乐器的出现,极大地节省了成本,带来了便利。
基本上有一个电子乐器,世间的乐器就都有了。
这个按钮是架子鼓,那个按钮是萨克斯。而在此之前,你想要发出这类声音,真的得敲架子鼓或者吹萨克斯管。
而且还有更为放肆的事情。你想用架子鼓一秒敲五下,得有专业的技能。但是用电子乐器,一秒敲五十下也毫不费力,因为程序就给搞定了。
这些新生事物的出现,常常让老艺术家们口吐鲜血。
电子乐器既然可以演奏音乐,那么就有乐谱。这乐谱还得有标准,因为它得在所有电子乐器中都起作用。这个"计算机能理解的乐谱",就是 MIDI 格式。
下面我们就来解析一下 MIDI 文件。看看它的结构是怎么样的。
我找到一个机器猫(哆啦A梦)的主题曲,采用 python 做一下解析:import pretty_midi # 加载样本文件 pm = pretty_midi.PrettyMIDI("jqm.midi") # 循环乐器列表 for i, instrument in enumerate(pm.instruments): instrument_name = pretty_midi.program_to_instrument_name(instrument.program) print(i, instrument_name) # 输出乐器名称
这个音乐,相信大家都很熟悉,就是:哦、哦、哦,哆啦A梦和我一起,让梦想发光……
通过 pretty_midi 库加载MIDI 文件,获取它的乐器列表pm.instruments ,打印如下:
Acoustic Grand Piano(原声大钢琴)、Glockenspiel(钢片琴)、String Ensemble(弦乐合奏) 、Muted Trumpet(闷音小号)、Trombone(长号)、Electric Bass(电贝斯)、Acoustic Guitar(原声吉他)、Flute(长笛)、Acoustic Grand Piano(原声大钢琴)、Harmonica(口琴)、Vibraphone(电颤琴)、Bagpipe(苏格兰风笛)、Marimba(馬林巴琴)……
我们看到,短短一个片头曲,就动用了近 20 种乐器。如果不是专门分析它,我们还真的听不出来呐。
那么,每种乐器的音符可以获取到吗?我们来试试: # 承接上个代码片段,假设选定了乐器instrument for j, note in enumerate(instrument.notes): # 音高转音符名称 note_name = pretty_midi.note_number_to_name(note.pitch) info = ("%s:%.2f->%.2f")%(note_name, note.start, note.end)
打印如下: Acoustic Grand Piano
F#3:1.99->2.04 F#2:1.98->2.06 E2:1.99->2.07 C2:1.98->2.08 F#3:2.48->2.53 F#2:2.48->2.56 F#3:2.98->3.03 F#2:2.98->3.06 ……
通过获取 instrument 的notes ,可以读到此乐器的演奏信息。包含:pitch 音高,start 开始时间,end 结束时间,velocity 演奏力度。
名称
pitch
start
end
velocity
示例
24
1.98
2.03
82
解释
音高(C1、C2)
开始时间
结束时间
力度
范围
128个音高
单位为秒
单位为秒
最高100
上面的例子中, F#3:1.99->2.04 表示:音符F#3 ,演奏时机是从1.99 秒到2.04 秒。
如果把这些数据全都展开,其实挺壮观的,应该是如下这样:
其实, MIDI 文件对于一首乐曲来说,就像是一个程序的源代码,也像是一副药的配方。MIDI 文件里,描述了乐器的构成,以及该乐器的演奏数据。
这类文件要比 WAV 、MP3 这些波形文件小得多。一段30 分钟钢琴曲的MIDI 文件,大小一般不超过100KB 。
因此,让人工智能去学习 MIDI 文件,并且实现自动作曲,这是一个很好的选择。实战:TensorFlow实现AI作曲
我在 datasets 目录下,放了一批节奏欢快的MIDI 文件。
这批文件,除了节奏欢快适合在新年播放,还有一个特点:全部是钢琴曲。也就是说,如果打印他的乐器的话,只有一个,那就是: Acoustic Grand Piano (原声大钢琴)。
这么做降低了样本的复杂性,仅需要对一种乐器进行训练和预测。同时,当它有朝一日练成了 AI 作曲神功,你也别妄想它会锣鼓齐鸣,它仍然只会弹钢琴。
多乐器的复杂训练当然可行。但是目前在业内,还没有足够的数据集来支撑这件事情。
开搞之前,我们必须得先通盘考虑一下。不然,我们都不知道该把数据搞成么个形式。
AI 作曲,听起来很高端。其实跟文本生成、诗歌生成,没有什么区别。我之前讲过很多相关的例子《NLP实战:基于LSTM自动生成原创宋词》《NLP实战:基于GRU的自动对春联》《NLP实战:基于RNN的自动藏头诗》。如果感兴趣,大家可以先预习一下。不看也不要紧,后面我也会简单描述,但深度肯定不如上面的专项介绍。
利用 RNN ,生成莎士比亚文集,是NLP 领域的HelloWorld 入门程序。那么,AI 作曲,只不过是引入了音乐的概念。另外,在出入参数上,维度也丰富了一些。但是,从本质上讲,它还是那一套思路。
所有 AI 自动生成的模式,基本上都是给定一批输入值+ 输出值。然后,让机器去学习,自己找规律。最后,学成之后,再给输入,让它自己预测出下一个值。
举个例子,莎士比亚文集的生成,样本如下: First Citizen:
Before we proceed any further, hear me speak.
All:
Speak, speak.
它是如何让 AI 训练和学习呢?其实,就是从目前的数据不断观察,观察出现下一个字符的概率。
当前
下一个
经验值
F
i
Fi
r
Fir
s
Firs
t
……
……
……
F 后面大概率会出现i 。如果现在是Fi ,那么它的后面该出现r 了。这些,AI 作为经验记了下了。
这种记录概率的经验,在少量样本的情况下,是无意义的。
但是,当这个样本变成人类语言库的时候,那么这个概率就是语法规范,就是上帝视角。
举个例子,当我说:冬天了,窗外飘起了__!
你猜,飘起了什么?是的,窗外飘起了雪。
当 AI 分析过人类历史上,出现过的所有语言之后。当它进行数据分析的时候,最终它会计算出:在人类的语言库里,冬天出现飘雪花的情况,要远远高于冬天飘落叶的情况。所以,它肯定也会告诉你那个空该填:雪花。
这就是 AI 自动作词、作曲、作画的本质。它的技术支撑是带有链式的循环神经网络(RNN ),数据支撑就是大量成型的作品。 准备:构建数据集
首先,读取这些数据,然后把它们加工成输入 input 和输出output 。
展开一个 MIDI 文件,我们再来看一下原始数据:Note(start=1.988633, end=2.035121, pitch=54, velocity=82), Note(start=1.983468, end=2.060947, pitch=42, velocity=78), Note(start=2.479335, end=2.525823, pitch=54, velocity=82)……
我们可以把前几组,比如前 24 组音符数据作为输入,然后第25 个作为预测值。后面依次递推。把这些数据交给AI ,让它研究去。
训练完成之后,我们随便给 24 个音符数据,让它预测第25 个。然后,再拿着2~25 ,让它预测第26 个,以此循环往后,连绵不绝。
这样可以吗?
可以(能训练)。但存在问题(结果非所愿)。
在使用循环神经网络的时候,前后之间要带有通用规律的联系。比如:前面有"冬天"做铺垫,后面遇到"飘"时,可以更准确地推测出来是"飘雪"。
我们看上面的数据,假设我们忽略 velocity (力度)这个很专业的参数。仅仅看pitch 音高和start 、end 起始时间。其中,音高是128 个音符。它是普遍有规律的,值是1~128 ,不会出圈儿。但是这个起始时间却很随机,这里可以是啊1 秒开始,再往后可能就是100 秒开始。
如果,我们只预测 2 个音符,结果200 秒的时间出现的概率高。那么,第二个音符岂不是到等到3 分钟后再演奏。另外,很显然演奏是有先后顺序的,因此要起止时间遵从随机的概率分布,是不靠谱的。
我觉得,一个音符会演奏多久,以及前后音符的时间间距,这两项相对来说是比较稳定的。他们更适合作为训练参数。
因此,我们决定把音符预处理成如下格式: Note(duration=0.16, step=0.00, pitch=54), Note(duration=0.56, step=0.31, pitch=53), Note(duration=0.26, step=0.22, pitch=24), ……
duration 表示演奏时长,这个音符会响多久,它等于end-start 。
step 表示步长,本音符距离上一个出现的时间间隔,它等于start2-start1 。
原始数据格式 [start,end] ,同预处理后的数据格式[duration,step] ,两者是可以做到相互转化的。
我们把所有的训练集文件整理一下: import pretty_midi import tensorflow as tf midi_inputs = [] # 存放所有的音符 filenames = tf.io.gfile.glob("datasets/*.midi") # 循环所有midi文件 for f in filenames: pm = pretty_midi.PrettyMIDI(f) # 加载一个文件 instruments = pm.instruments # 获取乐器 instrument = instruments[0] # 取第一个乐器,此处是原声大钢琴 notes = instrument.notes # 获取乐器的演奏数据 # 以开始时间start做个排序。因为默认是依照end排序 sorted_notes = sorted(notes, key=lambda note: note.start) prev_start = sorted_notes[0].start # 循环各项指标,取出前后关联项 for note in sorted_notes: step = note.start - prev_start # 此音符与上一个距离 duration = note.end - note.start # 此音符的演奏时长 prev_start = note.start # 此音符开始时间作为最新 # 指标项:[音高(音符),同前者的间隔,自身演奏的间隔] midi_inputs.append([note.pitch, step, duration])
上面的操作,是把所有的 MIDI 文件,依照预处理的规则,全部处理成[pitch, step, duration] 格式,然后存放到midi_inputs 数组中。
这只是第一步操作。后面我们要把这个朴素的格式,拆分成输入和输出的结对。然后,转化为 TensorFlow 框架需要的数据集格式。seq_length = 24 # 输入序列长度 vocab_size = 128 # 分类数量 # 将序列拆分为输入和输出标签对 def split_labels(sequences): inputs = sequences[:-1] # 去掉最后一项最为输入 # 将音高除以128,便于 inputs_x = inputs/[vocab_size,1.0,1.0] y = sequences[-1] # 截取最后一项作为输出 labels = {"pitch":y[0], "step":y[1],"duration":y[2]} return inputs_x, labels # 搞成tensor,便于流操作,比如notes_ds.window notes_ds = tf.data.Dataset.from_tensor_slices(midi_inputs) cut_seq_length = seq_length+1 # 截取的长度,因为要拆分为输入+输出,因此+1 # 每次滑动一个数据,每次截取cut_seq_length个长度 windows = notes_ds.window(cut_seq_length, shift=1, stride=1,drop_remainder=True) flatten = lambda x: x.batch(cut_seq_length, drop_remainder=True) sequences = windows.flat_map(flatten) # 将25,拆分为24+1。24是输入,1是预测。进行训练 seq_ds = sequences.map(split_labels, num_parallel_calls=tf.data.AUTOTUNE) buffer_size = len(midi_inputs) - seq_length # 拆分批次,缓存等优化 train_ds = (seq_ds.shuffle(buffer_size) .batch(64, drop_remainder=True) .cache().prefetch(tf.data.experimental.AUTOTUNE))
我们先分析 split_labels 这个方法。它接收一段序列数组。然后将其分为两段,最后1 项作为后段,其余部分作为前段。
我们把 seq_length 定义为24 ,从总数据midi_inputs 中,利用notes_ds.window 实现每次取25 个数据,取完了向后移动1 格,再继续取数据。直到凑不齐25 个数据(drop_remainder=True 意思是不足25 弃掉)停止。
至此,我们就有了一大批以 25 为单位的数据组。其实,他们是:1~25 、2~26 、3~27 ……
然后,我们再调用 split_labels ,将其全部搞成24+1 的输入输出对。此时数据就变成了:(1~24,25) 、(2~25,26) ……。接着,再调用batch 方法,把他们搞成每64 组为一个批次。这一步是框架的要求。
至此,我们就把准备工作做好了。后面,就该交给神经网络训练去了。 训练:构建神经网络结构
这一步,我们将构建一个神经网络模型。它将不断地由 24 个音符观察下一个出现的音符。它记录,它思考,它尝试推断,它默写并对照答案。一旦见得多了,量变就会引起质变,它将从整个音乐库的角度,给出作曲的最优解。
好了,上代码: input_shape = (seq_length, 3) # 输入形状 inputs = tf.keras.Input(input_shape) x = tf.keras.layers.LSTM(128)(inputs) # 输出形状 outputs = { "pitch": tf.keras.layers.Dense(128, name="pitch")(x), "step": tf.keras.layers.Dense(1, name="step")(x), "duration": tf.keras.layers.Dense(1, name="duration")(x), } model = tf.keras.Model(inputs, outputs)
上面代码我们定义了输入和输出的格式,然后中间加了个 LSTM 层。
先说输入。因为我们给的格式是 [音高,间隔,时长] 共3 个关键指标。而且每24 个音,预测下一个音。所以input_shape = (24, 3) 。
再说输出。我们最终期望 AI 可以自动预测音符,当然要包含音符的要素,那也就是outputs = {"pitch","step","duration"} 。其中,step 和duration 是一个数就行,也就是Dense(1) 。但是,pitch 却不同,它需要是128 个音符中的一个。因此,它是Dense(128) 。
最后说中间层。我们期望有人能将输入转为输出,而且最好还有记忆。前后之间要能综合起来,要根据前面的铺垫,后面给出带有相关性的预测。那么,这个长短期记忆网络 LSTM (Long Short-Term Memory)就是最佳的选择了。
最终, model.summary() 打印结构如下所示:
Layer (type)
Output Shape
Param
Connected to
input (InputLayer)
[(None, 24, 3)]
0
[]
lstm (LSTM)
(None, 128)
67584
["input[0][0]"]
duration (Dense)
(None, 1)
129
["lstm[0][0]"]
pitch (Dense)
(None, 128)
16512
["lstm[0][0]"]
step (Dense)
(None, 1)
129
["lstm[0][0]"]
Total params: 84,354
后面,配置训练参数,开始训练: checkpoint_path = "model/model.ckpt" # 模型存放路径 model.compile( # 配置参数 loss=loss, loss_weights={"pitch": 0.05,"step": 1.0,"duration":1.0}, optimizer=tf.keras.optimizers.Adam(learning_rate=0.01), ) # 模型保存参数 cp_callback = tf.keras.callbacks.ModelCheckpoint( filepath=checkpoint_path ,save_weights_only=True, save_best_only=True) # 启动训练,训练50个周期 model.fit(train_ds, validation_data=train_ds , epochs=50,callbacks=[cp_callback])
训练完成之后,会将模型保存在 "model/model.ckpt" 目录下。而且,我们设置了只保存最优的一个模型save_best_only=True 。
上面有个需要特别说明的地方,那就是在 model.compile 中,给损失函数加了一个权重loss_weights 的配置。这是因为,在输出的三个参数中,pitch 音高的128 分类跨度较大,一旦预测有偏差,就会导致损失函数的值很大。而step 和duration 本身数值就很小,都是0.0x 秒,损失函数的值变化较小。这种不匹配,会导致后两个参数的变化被忽略,只关心pitch 的训练。因此需要降低pitch 的权重平衡一下。至于具体的数值,是调试出来的。
出于讲解的需要,上面的代码仅仅是关键代码片段。文末我会把完整的项目地址公布出来,那个是可以运行的。
好了,训练上 50 轮,保存完结果模型。下面,就该去做预测了。 预测和播放:实现AI作曲
现在这个模型,已经可以根据 24 个音符去推测出下一个音符了。我们来试一下。# 加载模型 if os.path.exists(checkpoint_path + ".index"): model.load_weights(checkpoint_path) # 从音符库中随机拿出24个音符,当然你也可以自己编 sample_notes = random.sample(midi_inputs, 24) num_predictions = 600 # 预测后面600个 # 循环600次,每次取最新的24个 for i in range(num_predictions): # 拿出最后24个 n_notes = sample_notes[-seq_length:] # 主要给音高做一个128分类归一化 notes = [] for input in n_notes: notes.append([input[0]/vocab_size,input[1],input[2]]) # 将24个音符交给模型预测 predictions = model.predict([notes]) # 取出预测结果 pitch_logits = predictions["pitch"] pitch = tf.random.categorical(pitch_logits, num_samples=1)[0] step = predictions["step"][0] duration = predictions["duration"][0] pitch, step, duration = int(pitch), float(step), float(duration) # 将预测值添加到音符数组中,进行下一次循环 sample_notes.append([pitch, step, duration])
其实,关键代码就一句 predictions = model.predict([notes]) 。根据24 个音符,预测出来下一个音符的pitch 、step 和duration 。其他的,都是辅助操作。
我们从素材库里,随机生成了 24 个音符。其实,如果你懂声乐,你也可以自己编24 个音符。这样,起码能给音乐定个基调。因为,后面的预测都是根据前面特征来的。当然,也可以不是24 个,根据2 个生成1 个也行。那前提是,训练的时候也得是2+1 的模式。但是,我感觉还是24 个好,感情更深一些。
从 24 个生成1 个后,变成了25 个。然后再取这25 个中的最后24 个,继续生成下一个。循环600 次,最后生成了624 个音符。打印一下:[[48, 0.001302083333371229, 0.010416666666628771], [65, 0.11979166666674246, 0.08463541666651508] …… [72, 0.03634712100028992, 0.023365378379821777], [41, 0.04531348496675491, 0.011086761951446533]]
但是,这是预处理后的特征,并非是可以直接演奏的音符。是否还记得 duration = end-start 以及step=start2-start1 。我们需要把它们还原成为MIDI 体系下的属性:# 复原midi数据 prev_start = 0 midi_notes = [] for m in sample_notes: pitch, step, duration = m start = prev_start + step end = start + duration prev_start = start midi_notes.append([pitch, start, end])
这样,就把 [pitch, step, duration] 转化成了[pitch, start, end] 。打印midi_notes 如下:[[48, 0.001302083333371229, 0.01171875], [65, 0.12109375000011369, 0.20572916666662877], …… [72, 32.04372873653976, 32.067094114919584], [41, 32.08904222150652, 32.100128983457964]]
我们从数据可以看到,最后播放到了 32 秒。也就说我们AI 生成的这段600 多个音符的乐曲,可以播放32 秒。
听一听效果,那就把它写入 MIDI 文件吧。# 写入midi文件 pm = pretty_midi.PrettyMIDI() instrument = pretty_midi.Instrument( program=pretty_midi.instrument_name_to_program("Acoustic Grand Piano")) for n in midi_notes: note = pretty_midi.Note(velocity=100,pitch=n[0],start=n[1],end=n[2]) instrument.notes.append(note) pm.instruments.append(instrument) pm.write("out.midi")
MIDI 文件有5 个必需的要素。其中,乐器我们设置为"Acoustic Grand Piano" 原声大钢琴。velocity 没有参与训练,但也需要,我们设为固定值100 。其他的3 个参数,都是AI 生成的,依次代入。最后,把结果生成到out.midi 文件中。
使用 Window 自带的Media Player 就可以直接播放这个文件。你听不到,我可以替你听一听。
听完了,我谈下感受吧。
怎么描述呢?我觉得,说好听对不起良心,反正,不难听。
好了, AI 作曲就到此为止了。
源代码已上传到 GitHub 地址是:https://github.com/hlwgy/ai_music。