AI 音乐训练 Python源码

开源下载

AI MakeMusic_MIDI.rar (118.03 KB)

2025-3-4 10:34 上传

点击文件名下载附件

训练 train.py

1. # -*- coding: UTF-8 -*-
   
2. 
   
3. """
   
4. 训练神经网络，将参数（Weight）存入 HDF5 文件
   
5. """
   
6. 
   
7. import numpy as np
   
8. import tensorflow as tf
   
9. 
   
10. from utils import *
    
11. from network import *
    
12. 
    
13. # 训练神经网络
    
14. def train():
    
15.     notes = get_notes()
    
16. 
    
17.     # 得到所有不重复（因为用了set）的音调数目
    
18.     num_pitch = len(set(notes))
    
19. 
    
20.     network_input, network_output = prepare_sequences(notes, num_pitch)
    
21. 
    
22.     model = network_model(network_input, num_pitch)
    
23. 
    
24.     filepath = "weights-{epoch:02d}-{loss:.4f}.hdf5"
    
25.     checkpoint = tf.keras.callbacks.ModelCheckpoint(
    
26.         filepath,
    
27.         monitor='loss',
    
28.         verbose=0,
    
29.         save_best_only=True,
    
30.         mode='min'
    
31.     )
    
32.     callbacks_list = [checkpoint]
    
33. 
    
34.     model.fit(network_input, network_output, epochs=100, batch_size=64, callbacks=callbacks_list)
    
35. 
    
36. def prepare_sequences(notes, num_pitch):
    
37.     """
    
38.     为神经网络准备好供训练的序列
    
39.     """
    
40.     sequence_length = 100  # 序列长度
    
41. 
    
42.     # 得到所有音调的名字
    
43.     pitch_names = sorted(set(item for item in notes))
    
44. 
    
45.     # 创建一个字典，用于映射 音调 和 整数
    
46.     pitch_to_int = dict((pitch, num) for num, pitch in enumerate(pitch_names))
    
47. 
    
48.     network_input = []
    
49.     network_output = []
    
50. 
    
51.     # 创建输入序列，以及对应的输出序列
    
52.     for i in range(0, len(notes) - sequence_length, 1):
    
53.         sequence_in = notes[i:i + sequence_length]
    
54.         sequence_out = notes[i + sequence_length]
    
55.         network_input.append([pitch_to_int[char] for char in sequence_in])
    
56.         network_output.append(pitch_to_int[sequence_out])
    
57. 
    
58.     n_patterns = len(network_input)
    
59. 
    
60.     # 将输入的形状转换成 LSTM 模型可以接受的
    
61.     network_input = np.reshape(network_input, (n_patterns, sequence_length, 1))
    
62. 
    
63.     # 将输入标准化
    
64.     network_input = network_input / float(num_pitch)
    
65. 
    
66.     # 转换成 {0, 1} 组成的布尔矩阵，为了配合 categorical_crossentropy 误差算法使用
    
67.     network_output = tf.keras.utils.to_categorical(network_output)
    
68. 
    
69.     return (network_input, network_output)
    
70. 
    
71. if __name__ == '__main__':
    
72.     train()
    

点击此处复制文本