🧖🏻 🎫 🏬 एक आवर्तक तंत्रिका नेटवर्क का उपयोग करते हुए शास्त्रीय संगीत पीढ़ी 👬 👔 🚵🏾

आजकल, प्रशिक्षित तंत्रिका नेटवर्क अद्भुत चीजें करते हैं, लेकिन इस क्षेत्र में प्रयोग कुछ नया खोज रहे हैं। उदाहरण के लिए, प्रोग्रामर डैनियल जॉनसन ने शास्त्रीय संगीत उत्पन्न करने के लिए तंत्रिका नेटवर्क के उपयोग पर अपने प्रयोगों के परिणामों को प्रकाशित किया ।

दुर्भाग्य से, आप जीटी पर एक ऑडियो फ़ाइल एम्बेड नहीं कर सकते हैं, इसलिए आपको परिणामों में से एक को सुनने के लिए एक सीधा लिंक देना होगा: http://hexahedria.com/files/nnet_music_2.mp3 ।

उसने यह कैसे किया?

डैनियल जॉनसन का कहना है कि उन्होंने आक्रमण की संपत्ति पर ध्यान केंद्रित किया। संगीत पीढ़ी के लिए अधिकांश मौजूदा तंत्रिका नेटवर्क समय-अपरिवर्तनीय हैं, लेकिन नोट-इनवेरिएंट नहीं हैं। इसलिए, केवल एक कदम को स्थानांतरित करने से पूरी तरह से अलग परिणाम प्राप्त होगा। अधिकांश अन्य अनुप्रयोगों के लिए, यह दृष्टिकोण अच्छी तरह से काम करता है, लेकिन संगीत में नहीं। यहां मैं सामंजस्य के सामंजस्य को प्राप्त करना चाहूंगा।

डैनियल ने केवल एक प्रकार का लोकप्रिय तंत्रिका नेटवर्क पाया, जहां कई दिशाओं में आक्रमण होता है: ये छवि मान्यता के लिए प्रासंगिक तंत्रिका नेटवर्क हैं।

लेखक ने अपनी मेमोरी के साथ प्रत्येक पिक्सेल के लिए एक आवर्तक तंत्रिका नेटवर्क को जोड़ने और नोटों के साथ पिक्सेल को बदलने के लिए, दृढ़ मॉडल को अनुकूलित किया। इस प्रकार, उन्होंने एक प्रणाली प्राप्त की जो समय और नोट दोनों में अपरिवर्तनीय है।

लेकिन ऐसे नेटवर्क में सामंजस्यपूर्ण chords प्राप्त करने के लिए कोई तंत्र नहीं है: आउटपुट पर, प्रत्येक नोट दूसरों से पूरी तरह से स्वतंत्र है।

नोटों के संयोजन को प्राप्त करने के लिए, जॉनसन ने आरएनएन-आरबीएम जैसे मॉडल का उपयोग किया, जहां तंत्रिका नेटवर्क का एक हिस्सा समय के लिए जिम्मेदार है, और दूसरा हिस्सा व्यंजन chords के लिए है। आरबीएम की सीमाओं को दरकिनार करने के लिए, वह दो अक्षों की शुरुआत के साथ आया: समय के लिए और नोटों के लिए (और गणना की दिशा के लिए एक छद्म अक्ष)। थीनो

लाइब्रेरी का उपयोग करनालेखक ने अपने मॉडल के अनुसार एक तंत्रिका नेटवर्क उत्पन्न किया। समय अक्ष के साथ पहली परत इनपुट पर निम्नलिखित पैरामीटर लेती है: स्थिति, पिच, आसपास के नोटों का मूल्य, पिछले संदर्भ, लय। फिर, अल्पकालिक मेमोरी (LSTM) पर आधारित स्व-उत्पादक ब्लॉकों को ट्रिगर किया गया था: एक में, आवर्तक कनेक्शन समय अक्ष के साथ, दूसरे में नोट अक्ष के साथ निर्देशित होते हैं। अंतिम एलएसटीएम ब्लॉक के बाद, अंतिम परिणाम जारी करने के लिए एक सरल गैर-आवर्ती परत है, इसमें दो आउटपुट मान हैं: किसी विशेष नोट के लिए खेलने की संभावना और आर्टिक्यूलेशन की संभावना (यानी, संभावना है कि नोट दूसरे के साथ गठबंधन करेगा)।

प्रशिक्षण के दौरान, हमने शास्त्रीय पियानो मिडी पेज मिडी संग्रह से छोटे संगीत अंशों का एक यादृच्छिक रूप से चयनित सेट का उपयोग किया। फिर हमने लघुगणकों के साथ थोड़ा खेला ताकि उत्पादन में क्रॉस-एन्ट्रापी पैरामीटर कम से कम बहुत कम न हो। परतों की विशेषज्ञता की गारंटी के लिए, हमने ड्रॉपआउट के रूप में इस तरह की तकनीक का उपयोग किया , जब प्रशिक्षण के प्रत्येक चरण में छिपे हुए नोड के आधे हिस्से को गलती से बाहर रखा गया था।

व्यावहारिक मॉडल में समय में दो छिपी हुई परतें, प्रत्येक में 300 नोड्स, और क्रमशः 100 और 50 नोड्स के लिए नोट अक्ष के साथ दो परतें शामिल थीं। प्रशिक्षण अमेज़न वेब सेवा क्लाउड में g2.2xlarge वर्चुअल मशीन में आयोजित किया गया था।

परिणाम

कार्यक्रम का स्रोत कोड गितुब पर प्रकाशित किया गया है ।

एक आवर्तक तंत्रिका नेटवर्क का उपयोग करते हुए शास्त्रीय संगीत पीढ़ी

परिणाम

More articles: