音乐生成文本

最新推荐文章于 2025-03-18 11:45:39 发布

weixin_42001089

最新推荐文章于 2025-03-18 11:45:39 发布

阅读量1.1k

点赞数 1

文章标签：程序人生

本文链接：https://blog.csdn.net/weixin_42001089/article/details/127212112

版权

前言

今天给大家介绍一篇音乐生成文本的paper，具体的是生成描述当前这个音乐的文本，同时还可以学一下其中作者设计的一个对比学习，笔者也贴了一下自己对其基本的代码实现，感兴趣的小伙伴可以收藏一下～

论文链接：https://arxiv.org/pdf/2210.00434.pdf

硬广

哈哈，在开始之前，如果有小伙伴对多模态感兴趣，笔者之前也写过几篇，大家感兴趣也可以看看，不过都是关于图文的：

https://zhuanlan.zhihu.com/p/435697429

https://zhuanlan.zhihu.com/p/453581899

https://zhuanlan.zhihu.com/p/454314421

https://zhuanlan.zhihu.com/p/570332906

数据集

为啥要做这个任务呢？作者也是给了一些case如下：

可以看到这里列出了两首乐章，以往的工作基本上都是对音乐进行分类，比如上图中的Tags，两首乐章的Tags是相同的，但是实际上两首乐章的风格其实有比较大的区别的，一首是比较优美的(peaceful, and extraordinarily beautiful treatment)，而另外一首是比较悲伤的(sadness and loss)，为此作者认为有必要做这项研究。

由于这个任务比较新，之前没有相关的工作做过，也就没有相关的公开标注数据集拿来训练，于是作者第一步就是需要构建数据集。

其实最主要的就是构建music-text pairs，作者选择爬取数据的网站是：https://www.earsense.org/，数据集中的95%的音乐时长是2.5min到14min不等，对应的描述性文本长度是14到192不等，最后共收集到了2380个文本，其中1955个有对应的音乐。

模型

可以看到这个任务其实是一个跨模态生成任务:

具体做的都也很常规，不过值得看一下的是paper中说的一个对比学习： Group Topology-Preservation Loss (GTP Loss)。

首先需要encoder和对应的decoder来分别对music和text提取特征和重建，具体的作者分别选用的是CNN和transformer。

所以各个模态编码解码对应两个loss如下，公式(1)是音频模态，公式(2)是文本模态：

接下来就是一个跨模态对齐loss：

可以看到也很简单，就是直接加一层MLP映射，然后求L2距离即可。

说完了上面常见的，作者重点讲述了一下自己提出的创新点即paper中所说的的GTP Loss：

作者讲了很多理论和故事来阐述这个设计，这里笔者不想按部就班的讲作者的故事，而是通过一个例子来阐述一下：

假设当前batch=4，那么对应的输入数据中文本假设是[a,b,c,d]，音乐是[e,f,g,h]，也就是说文本a是音乐e的描述性语言，同理b和f、c和g、d和h分别是对应的pair。

假设a和b、c、d相似度(sfotmax后的)分别是0.2、0.6、0.2；假设e和f、g、h相似度(sfotmax后的)分别是0.1、0.7、0.3

好，到这里最重要的一个对比学习思想来了：

a和b、c、d相似度分布应该尽可能与e和f、g、h相似度相似，换句话说：[0.2、0.6、0.2]和[0.1、0.7、0.3]尽可能的相似。

同理b和a、c、d相似度分布应该尽可能与f和e、g、h相似度相似，以此类推。

看到这里相信大家也比较明白了，其实就是个对比学习，不过相比于作者设计的这个对比学习，还有一个设计方式其实更容易想到，那就是：

a和e的相似度要大于a和f、g、h相似度，同理b和f的相似度要大于b和e、g、h相似度。

同时作者这里也借鉴目前对比学习的代码，分别实现一下上述两个对比学习loss(pytorch版本的)，大家有兴趣也可以在自己的工作中加个对比学习loss试一下

wai_user_embedding和nei_user_embedding可以看成是两个模态的emb（对应到本篇就是音乐和文本的表征），维度都是[batch, hidden_size]，这里笔者在量化分布相似的时候用的是KL散度，没用作者所说的L2，大家都可以改着试试。

def GroupTopologyPreservationLoss(self, wai_user_embedding, nei_user_embedding):
  wai_user_embedding_similarity = F.cosine_similarity(wai_user_embedding.unsqueeze(1), wai_user_embedding.unsqueeze(0), dim=-1)
  nei_user_embedding_similarity = F.cosine_similarity(nei_user_embedding.unsqueeze(1), nei_user_embedding.unsqueeze(0), dim=-1)
  n = wai_user_embedding_similarity.size()[0]
  wai_user_embedding_similarity = wai_user_embedding_similarity.flatten()[:-1].view(n-1,n+1)[:,1:].flatten().view(n, n-1)
  nei_user_embedding_similarity = nei_user_embedding_similarity.flatten()[:-1].view(n-1,n+1)[:,1:].flatten().view(n, n-1)
  kl_wai_nei = F.kl_div(F.log_softmax(wai_user_embedding_similarity, dim=-1), F.softmax(nei_user_embedding_similarity, dim=-1), reduction='sum')
  kl_nei_wai = F.kl_div(F.log_softmax(nei_user_embedding_similarity, dim=-1), F.softmax(wai_user_embedding_similarity, dim=-1), reduction='sum')
  loss = (kl_wai_nei+kl_nei_wai)/2
  return loss

另外一种就是笔者所说的第二种常见的，大家可以看一下这里https://blog.csdn.net/weixin_44966641/article/details/120382198

不过需要说明的是，上述链接中预先定义了一个negatives_mask buff，其大小是固定的，但是有的时候我们的代码在跑的时候，最后一个batch有可能不够预设的大小即我们的样本总数是102，每个batch假设是25，那么最后一个batch其实是2，这个时候在用这个negatives_mask buff计算loss的时候就会出错，那怎么办呢？很简单我们多加两行代码：

def contrastiveLoss(self, emb_i, emb_j):
  temp_batch_size = emb_i.size()[0]
  negatives_mask = self.negatives_mask[:temp_batch_size*2, :temp_batch_size*2]
  ...

可以看到是为了适配当前传进来embedding的大小。

看到这里，笔者就再多说一句吧，有的时候我们处理的不是多模态，假设是文本和文本之间的对比学习，最后我们还是想得到类似emb_i, emb_j两个矩阵来进行对比学习，那这两个emb怎么得到呢？要过两次模型（比如bert模型）吗？其实很简单，只需要在bert模型输入的时候将两部分样本进行cat成一批，然后输进去，在输出的时候再按顺序拿到对应的emb即可，只不过为了加对比学习，总体可跑的batch可能就要减半了。