乐理入门: 一、音

问答总结:

  • 音产生的两个要素是什么。音分为哪两类?各有什么要素?具体要素的含义是什么?

  • 钢琴有多少个键?白键和黑键各有多少?音组如何划分?音名是什么,有哪些?

  • 所有音组中中央的音组叫什么,有哪两个重要的音?

  • 五线谱的基本组成有什么? 五线谱是怎样和音建立起映射关系的?

  • 常见的谱表有哪几种? 他们的区别是什么?

  • 钢琴中相邻的键相差多少音级?

  • 钢琴中的音的全半序列是怎样的?

    全全半全全全半

  • 一个音可以拥有哪几种变化? 由此引出了等音变化表。

  • 五线谱中的变音记号与还原记号在一小节内起效,作用于右侧,但不叠加。


一、音与音的基本属性

(1) 音的产生

  • 物体振动。
  • 振动频率 w : 20 H z ≤ w ≤ 2 W H Z w:20Hz \le w \le 2W HZ w20Hzw2WHZ

(2)音的分类

  • 乐音: 拥有明显且稳定的频率。(下图为钢琴所发音)
    在这里插入图片描述
  • 噪音:有很多个不稳定的频率
    在这里插入图片描述

(3)乐音的四大基本属性

  • 音高: 仅仅乐音拥有。
  • 音长: 音的持续长度。
  • 音量: 响度,由振动的幅度决定。
  • 音色: 由振动物体的品质决定。

二、音级

(1)音名
在这里插入图片描述
如图所示,钢琴上的白键具有音名, 即C\D\E\F\G\A\B
(2) 音组
在这里插入图片描述
钢琴将音分为组。其中

  • 小字一组为中央音组。
  • 拥有7个完整音组,两个不完整音组。
  • 大字音组标下标在右下角,小字音组标上标在右上角。
    在这里插入图片描述

(3)钢琴键盘

  • 钢琴共7个完整音组,2个不完整音组。
  • 钢琴共88个键,其中52个白键(7 * 7 + 3), 36个黑键(5*7+1)。
  • 钢琴比较重要的一组为小字一组,含有中央C标准音:440Hz两个重要的音。
    在这里插入图片描述

三、初识五线谱

(1) 五线谱的组成
五线谱主要由五线四间组成,除此之外,还包括上加、下加的线与间
在这里插入图片描述
(2) 铺号
五线谱需要和谱号结合才能规定谱表与音的对应关系。常见有三类谱号,对应三种谱表。分别为高音谱表低音谱表中音谱表。(其中-O-表示小字一组C在对应谱表的所在位置)
在这里插入图片描述
具体来看高音谱表的谱线、音名、唱名的对应关系:
在这里插入图片描述

四、黑键

(1) 黑键与半音
钢琴上每两个键之间的音都相差半音,黑键(变化音级)用来表示升高或者降低半音。
在这里插入图片描述
在这里插入图片描述

(2)变音与还原记号
每一个基本音级都可以拥有另外4种变化重降、降、升、重升
在这里插入图片描述
由变化记号,我们可以得到等音对照表其中每个纵列互为等音
在这里插入图片描述
(3) 变音、还原记号与五线谱。
在这里插入图片描述

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值