Застосування нейронних мереж для вирішення завдання генерації музики
Бічна панель сторінки статті
Основний зміст сторінки статті
Анотація
В статті розглядається можливість використання нейронних мереж як основи генератора музики. Під генерацією музики розуміють процес створення послідовностей музичних нот, що відносить дане завдання до задач моделювання послідовностей, як і моделювання мови. Актуальність розвитку даної теми пов’язана з необхідністю написання нової музики та знаходження нових мотивів, що спричинено виробництвом великої кількості фільмів та потребами людей. Основною вимогою до системи була генерація поліфонічної музики, що є послідовністю кортежів нот, тобто багаторозмірним об’єктом, що потребує використання породжувальних моделей, які здатні обчислювати ймовірнісний розподіл по відношенню до рекурентних моделей, які, в свою чергу, дають змогу відтворити довгострокові залежності в послідовності багаторозмірних об’єктів. Для цього в статті наведено необхідні теоретичні відомості. Розглянуто існуючі рішення і визначено їх переваги та недоліки. Проаналізовано та представлено варіанти можливих топологій, алгоритми їх тренування та генерації. Описано результати експериментальних досліджень, на підставі яких виконано порівняння та визначено переваги та недоліки кожної з них.
Бібл. 11, рис. 8, табл. 1.
Блок інформації про статтю
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
Автори, які публікуються у цьому журналі, погоджуються з наступними умовами:- Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution License, котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у цьому журналі.
- Автори мають право укладати самостійні додаткові угоди щодо неексклюзивного розповсюдження роботи у тому вигляді, в якому вона була опублікована цим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати у складі монографії), за умови збереження посилання на першу публікацію роботи у цьому журналі.
- Політика журналу дозволяє і заохочує розміщення авторами в мережі Інтернет (наприклад, у сховищах установ або на особистих веб-сайтах) рукопису роботи, як до подання цього рукопису до редакції, так і під час його редакційного опрацювання, оскільки це сприяє виникненню продуктивної наукової дискусії та позитивно позначається на оперативності та динаміці цитування опублікованої роботи (див. The Effect of Open Access).
Посилання
E. Douglas, “Make Music and Art Using Machine Learning,” Magenta, 2016. [Online]. Available: https://magenta.tensorflow.org/.
A. van den Oord, S. Dieleman, and H. Zen, “WaveNet: A Generative Model for Raw Audio,” DeepMind, 2016. [Online]. Available: https://deepmind.com/blog/wavenet-generative-model-raw-audio/.
D. Johnson, “Composing Music With Recurrent Neural Networks · hexahedria,” hexahedria, 2015. [Online]. Available: http://www.hexahedria.com/2015/08/03/composing-music-with-recurrent-neural-networks/.
I. Goodfellow, Y. Bengio, and A. Courville, “Sequence Modeling: Recurrent and Recursive Nets,” in Deep Learning, MIT Press, 2016, pp. 367–415, URL: http://www.deeplearningbook.org/contents/rnn.html.
S. Hochreiter, Y. Bengio, P. Frasconi, and J. Schmidhuber, “Gradient Flow in Recurrent Nets: the Difficulty of Learning Long-Term Dependencies,” 1991, URL: http://www.bioinf.jku.at/publications/older/ch7.pdf.
S. Hochreiter and J. Schmidhuber, “Long Short-Term Memory,” Neural Comput., vol. 9, no. 8, pp. 1735–1780, 1997, DOI: 10.1162/neco.1997.9.8.1735.
Z. C. Lipton, J. Berkowitz, and C. Elkan, “A Critical Review of Recurrent Neural Networks for Sequence Learning,” 2015, arXiv: 1506.00019.
G. (LISA lab. . Hinton, “Restricted Boltzmann Machines (RBM),” DeepLearning 0.1 documentation, 2010. [Online]. Available: http://deeplearning.net/tutorial/rbm.html.
G. Hinton, “Deep Belief Nets,” Toronto, 2007, URL: https://www.cs.toronto.edu/~hinton/nipstutorial/nipstut3.pdf.
N. Boulanger-Lewandowski, “Modeling High-Dimensional Audio Sequences with Recurrent Neural Networks,” Universit_e de Montr_eal, 2014. URL: http://www-etud.iro.umontreal.ca/~boulanni/NicolasBoulangerLewandowski_thesis.pdf
J. Allwright, “ABC version of the Nottingham Music Database,” 2003. [Online]. Available: http://abc.sourceforge.net/NMD/.
