从词到曲这个创作过程用 AI 的方式来解 是典型的序列到序列学习任务

最新推荐文章于 2023-01-02 16:18:51 发布
最新推荐文章于 2023-01-02 16:18:51 发布
阅读量120 收藏
点赞数
文章标签： 人工智能 数据挖掘 big data
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_45836589/article/details/121628753
版权
研究通过预训练模型解决歌词旋律生成问题，利用序列到序列学习，结合音乐线性知识提取模板，实现弱耦合情况下的自监督学习，减少对配对数据的依赖，提高生成效果。
摘要由CSDN通过智能技术生成

　　我们的整个研究主要围绕理解和生成两个方向进行。在音乐生成方向，商品化音乐的整个制作流程是非常长的，涉及很多技术链条。举个例子，创作一首音乐最基本的就是词曲创作，从词到曲这个创作过程用 AI 的方式来解，就是一个典型的序列到序列学习的任务，输入一个歌词系列，输出一个旋律系列。
　　目前市面上的开源数据集是非常少的

最低0.47元/天 解锁文章
科技全景
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
序列到序列模型(Sequence to sequence)
禅与计算机程序设计艺术
07-12 552
序列到序列模型(Sequence to sequence) Sequence to sequence. paper：Sequence to Seq
序列到序列(Sequencetosequence, Seq2Seq)模型的使用：Using Sequencet
最新发布
禅与计算机程序设计艺术
09-12 3273
作者：禅与计算机程序设计艺术 1.简介 在这篇文章中，我将会从深度学习模型的基础知识、 Seq2Seq 模型的原理、实践应用以及未来的挑战等方面阐述 Seq2Seq 模型的基本原理及应用方法。本文适合具有一定机器学习、深度学习基础的人群阅读。由于 Seq2Seq 模型是一个很新的模型，其中涉及到的各类算
Seq2Seq - 序列到序列的学习(RNN循环神经网络)
西小庄村高伟 的博客
10-28 860
Seq2Seq，编码器与解码器、掩蔽交叉熵损失函数、机器翻译的应用、BLEU评价指标
序列到序列学习（seq2seq，BLEU）
liuyingshudian的博客
01-02 1068
seq2seq,BLEU
详解序列到序列
weixin_42610010的博客
12-20 391
序列到序列(Sequence-to-Sequence，简称Seq2Seq)是一种深度学习模型，通常用于将一个序列转化为另一个序列。Seq2Seq模型是由两个RNN组成的，分别称为编码器(Encoder)和解码器(Decoder)。 编码器将输入序列转化为一个向量，该向量被解码器用来生成输出序列。Seq2Seq模型通常被用于机器翻译、对话系统等任务。 举个例子，假设我们希望构建一个机器翻译系统，能够...
告别乐盲，AI 通过歌词生成旋律【智能快讯】
HyperAI超神经
09-02 1040
By 超神经AI 无处不在的时代，每天都有新的技术与研究成果出现。无论学术界还是商界，技术还是产品，AI 的新发现都源源不断，在带给我们全新视角的同时，也引起我们更深的思...
Attention Mechanism 序列学习任务中的注意力机制
Francis Liu
08-28 2801
Attention机制：序列学习任务（translation, QA, image captioning, OCR 等）上提升巨大； 分类： 空间注意力 Spatial Attention 时间注意力 Temporal Attention Soft Attention (soft 分布) Hard Attention (one-hot 分布) 引入原因： 输入序列很长时，模...
1.Transformer之序列到序列任务中的编码-解码
DAICONG’s Blog
05-24 492
文章目录1.简介1.4通过rnn的编码解码机制引出attention机制2.序列到序列的注意力机制（seq2seq with attention）2.1 seq2seq with attention网络架构2.2 seq2seq with Attention编码器Encoder原理2.3 seq2seq with Attention编码器Decoder原理2.4 seq2seq with Attention原理实现 1.简介 seq2seq 就是一个任务，实现的是从序列到序列的映射，比如将我爱你翻译成i
Python--序列学习（一）-概述
似水流年
07-08 571
序列是一系列连续值，它们通常是相关的，并且按一定的顺序排列。 序列的第一个元素的位置编号为0，所以在序列c中，第1个元素是c[0]，第i个元素是c[i-1]。 序列也可以从尾部访问，最后一个元素是c[-1]，倒数第i个元素是c[-i]。 位置编号正式的名称是“下标”或“索引”，它必须是整数或是整数表达式。 正向位置编号 序列元素值 反向位置编号 c[0] 525 c[-5]
【Python图像特征的音乐序列生成】解析ABC格式的文件（修改版）
weixin_30563319的博客
07-13 308
ABC格式，是一个音乐标准，ABC Plus Project最新的标准是2.x。 ABC格式的音乐长成这样： 1 X: 2 2 T:Abacus 3 % Nottingham Music Database 4 S:By Hugh Barwell, via Phil Rowe 5 R: Jig 6 M:6/8 7 K:G 8 "G"g2g B^AB|d2d G3...
序列与映射
m0_63853512的博客
03-29 381
之前学的那些基本的数据大部分都是单一存在的，本章所讲的序列和映射是多种数据的集合，我们将多 个数据对象当成一个整体来看待操作 主要解决的问题：就是对大批量数据进行操作 序列主要是一维的数据，映射主要是二维的数据 可变对象与不可变对象 Python中内置数据三大主要类型： 数字（整数，小数，布尔类型） 序列（字符串、列表、元组、集合） 映射 按照是否可原地修改分为两大类： 不可变对象（数字、字符串、元组、不可变对象的集合） 不可变的对象，不能够直接修改数据对象中
【Python图像特征的音乐序列生成】如何生成旋律（大纲），以及整个项目的全部流程...
weixin_30606461的博客
07-07 249
今天连看三篇论文，不是很细致地看，也没有具体去实现，只是大概明白了一些新思路。这三篇论文，一篇概述了Decoder-Encoder模型，一篇延伸这个模型，首次提出了Attention机制，最后一篇详细阐述了LSTM和GRU的工作机理。读完之后，我对机器翻译这个领域，还有LSTM的应用，有了更深的认识。 言归正传，说一下生成旋律的原理。 在之前的乐理部分，我们知道了和弦级数和走向的问题，有很多和...
基于CNN的歌声合成算法论文解读
学-> 思->用
01-21 513
文章目录资料前沿基于DNN的歌声合成基于CNN的歌声合成损失函数样本结论 资料 https://n3utrino.work/ 前沿 Title:Singing voice synthesis based on convolutional neural networks 核心思路：midi 输入到CNN，预测声学特征（acoustic feature），声学特征输入到声码器得到音频。 一句话：运用CNN模型将乐谱序列映射到声学特征 深度神经网络是人工神经网络，其包含很多隐含层。给语音合成和
端到端、序列到序列、pipeline理解
逆风笑的博客
09-14 975
端到端是：输入->模型->输出。端到端意味着，模型的输入是原始的数据，模型的输出是我们想要的结果。端到端不太Care模型的具体处理过程，更在乎的是输入和输出结果。pipeline是输入->模型A->输出A->模型B->输出B->…不同于端到端，pipeline可以看作是一个流水线工作，后一个模型的输入依赖于前一个模型的输出结果。序列到序列一种通用的端到端序列学习方法，它基于编码-解码（Encoder - Decoder）的架构。序列到序列是：输入是序列->模型->输出是序列。端到端（end-to-end）
序列到序列的网络seq2seq
仲夏
12-10 8819
1、seq2seq使用两个循环神经网络，将一个语言序列直接转换到另一个语言序列。2、序列到序列的模型是循环神经网络的升级版，其联合了两个循环神经网络。一个神经网络负责接收源句子；另一个循环神经网络负责将句子输出成翻译的语言。这两个过程分别称为编码和解码的过程。示意图如下： 3、编码编码过程实际上使用了循环神经网络记忆的功能，通过上下文的序列关系，将词向量依次输入网络。对于循环神经网络，每一次网络都
ICML 2019：序列到序列自然语言生成任务超越BERT、GPT！微软提出通用预训练模型MASS | 技术头条...
AI科技大本营
05-10 2040
来源 | 微软研究院AI头条（id：MSRAsia）责编 | Jane编者按：从2018年开始，预训练（pre-train） 毫无疑问成为NLP领域最热的研究方向。借助于...
09.7. 序列到序列学习（seq2seq）
weixin_45063703的博客
10-11 1405
在完成所有时间步后， 最后一层的隐状态的输出是一个张量（output由编码器的循环层返回）， 其形状为（时间步数，批量大小，隐藏单元数）。特定的序列开始词元（“”）和 原始的输出序列（不包括序列结束词元“”） 拼接在一起作为解码器的输入。为了进一步包含经过编码的输入序列的信息， 上下文变量在所有的时间步与解码器的输入进行拼接（concatenate）。为了连续生成输出序列的词元， 独立的循环神经网络解码器是基于输入序列的编码信息 和输出序列已经看见的或者生成的词元来预测下一个词元。实现循环神经网络编码器。
浅说深度学习之：序列学习
qunnie_yi的博客
05-03 8050
本文来自：集智专栏 作者：Kaiser 系列的第一篇概览了一下深度学习中的基本概念。第二篇介绍了深度学习的历史背景，以及如何高效地训练神经网络。而这一篇当中，我们将一起认识自然语言处理领域的核心：序列学习。图1：长短期记忆(LSTM)单元。 LSTM有四个输入权重和四个循环权重。Peepholes是记忆细胞和门之间的额外连接，但他们对性能提升帮助不到，所以常被忽略。序列学习生活中的所...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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