干货！用神经网络识别歌曲流派

本文手把手教你如何构建一个能够识别歌曲类型的神经网络。

DataSet: 本文使用GTZAN Genre Collection音乐数据集，地址:[1]

这个数据集包含1000首不同的歌曲，分布在10种不同流派，每个流派100首，每首歌曲大约30秒。

使用的库：Python库librosa，用于从歌曲中提取特征，并使用梅尔频率倒谱系数（ Mel-frequency cepstral coefficients ，MFCC）。

MFCC数值模仿人类的听觉，在语音识别和音乐类型检测中有广泛的应用。MFCC值将被直接输入神经网络。

了解MFCC

让我们用两个例子来说明MFCC。请通过Stereo Surgeon下载Kick Loop 5[2]和Whistling[3]。其中一个是低音鼓声，另一个是高音口哨声。它们明显不同，你可以看到它们的MFCC数值是不同的。

让我们转到代码（本文的所有代码文件都可以在Github链接中找到）。

以下是你需要导入的内容列表：

• librosalibrary
• glob，你需要列出不同类型目录中的文件
• numpy
• matplotlib，绘制MFCC graphs
• Keras的序列模型，一种典型的前馈神经网络
• 密集的神经网络层，即有很多神经元的层。

例如，与卷积不同的是，它具有2D表示。你必须使用import activation，它允许你为每个神经元层提供一个激活函数，以及to_categorical，它允许你把类的名称转换成诸如摇滚（rock），迪斯科（disco）等等，称为one-hot 编码， 如下所示：

这样，你已经正式开发了一个辅助函数来显示MFCC的值

首先，加载歌曲，然后从中提取MFCC值。然后，使用specshow，这是librosa库里的频谱图。

这是踏板鼓：

Low frequency: Kick loop 5

可以看到，在低频率下，低音是非常明显的。没有多少其他频率被表示。但是，口哨声的频谱图明显有更高的频率表示：

High frequency: Whistling

颜色越深或越接近红色，在那个频率范围内的能量越大。

限定歌曲流派

你甚至可以看到口哨声的频率的变化。下面是是disco曲的频率：

Song type/genre: Disco

下面是频率输出：

Disco Songs

你可以在前面的输出中看到节拍，但由于它们只有30秒长，因此很难看到单个的节拍。将它与古典乐相比较，会发现古典音乐没有那么多的节拍，而是有连续的低音线，比如下面是来自大提琴的低音线：

Song genre: Classical

下面是嘻哈音乐（hip-hop）的频率：

Song genre: HipHop

HipHop songs

它看起来有点像disco，分辨它们之间的细微区别是神经网络的问题。

这里还有另一个辅助函数，它只加载MFCC值，但这次你是正在为神经网络做准备：

同时加载的是歌曲的MFCC值，但由于这些值可能在-250到+150之间，它们对神经网络没有什么好处。你需要输入接近-1到+1或0到1的值。

因此，需要计算出每首歌曲的最大值和绝对值。然后将所有值除以最大值。此外，歌曲的长度略有不同，因此只需要选择25000个MFCC值。你必须非常确定你输入神经网络的东西的大小总是相同，因为只有那么多的输入神经元，一旦搭建好网络就无法改变了。

限定歌曲以获得MFCC值和流派名称

接下来，有一个名为generate _features_and_labels的函数，它将遍历所有不同的流派，并遍历数据集中的所有歌曲，然后生成MFCC值和流派名：

如上面的截图所示，准备一个所有特征和标签的列表。遍历全部10种流派。对于每种流派，请查看该文件夹中的文件。'generes /'+ genre +'/ *。au'文件夹显示数据集的组织方式。

处理这个文件夹时，每个文件会有100首歌曲; 你可以提取特征并将这些特征放在all_features.append(features)列表中。那首歌曲的流派名称也需要列在一个列表中。因此，最终，所有features将包含1000个条目，所有标签也将包含1000个条目。在所有feature的情况下，这1000个条目中的每一个都将有25000个条目。这是一个1000 x 25000矩阵。

对于目前的所有标签，有一个1000 entry的列表，里面是蓝调、古典、乡村、迪斯科、嘻哈、爵士、金属、流行、雷鬼和摇滚等等词汇。这就成问题了，因为神经网络不会预测单词或预测字母。你需要给它一个one-hot编码，这意味着这里的每个单词都将被表示为十个二进制数。

• 蓝调（blues）的情况下，它是1后面跟着9个0。
• 古典（classical）的情况是，是0后面跟着1，再跟着9个0。以此类推。首先，通过np.unique(all_labels, return_inverse=True) 命令将它们作为整数返回来计算所有唯一的名称。然后，使用to_categorical，将这些整数转换为one-hot编码。

那么，返回的是1000x10维。因为有1000首歌曲，每个歌曲都有10个二进制数字来表示单热编码。然后，通过命令return np.stack(all_features)返回堆叠在一起的所有特征，onehot_labels到单个矩阵，以及one-hot矩阵。因此，调用上层函数并保存特征和标签：

为了确保正确，请打印如下面的截图所示的特性和标签的形状。特性是1000×25000，标签是1000×10。现在，将数据集拆分为一个列并测试拆分。将80%的标记定义为training_split= 0.8，以执行拆分：

接下来，构建神经网络：

你会得到一个序列神经网络。第一层是100个神经元的dense layer。在第一层，你需要给出输入尺寸或输入形状，在这个例子里，就是25000。

这表示每个示例有多少输入值。25000将连接到第一层中的100。

第一层将对其输入，权重和偏差项进行加权求和，然后运行relu激活函数。relu表示任何小于0的都会变成0，任何高于0的都是值本身。

然后，这100个将连接到另外10个，就是输出层。之所以是10，是因为你已经完成了one-hot编码并且在编码中有10个二进制数。

代码中使用的激活softmax告诉你取10的输出并对它们进行规范化，使它们加起来为1。这样，它们最终成为了概率。现在考虑10个中的得分最高或概率最高的作为预测。这将直接对应于最高数字位置。例如，如果它在位置4，那么它就是disco。

接下来，编译模型，选择Adam等优化器，并定义损失函数。由于你有多个输出，你可能希望进行分类交叉熵和度量准确性，以便除了始终显示的损失之外，还可以在评估期间看到准确度。但是，准确度更有意义。接下来，打印model.summary，它会告诉你有关层的详细信息。它看起来是这样的：

第一个100神经元的层的输出形状肯定是100个值，因为有100个神经元，而密集的第二层的输出是10，因为有10个神经元。那么，为什么第一层有250万个参数或权重？这是因为你有25000个输入。

你有25000个输入，每个输入都会进入100个密集神经元中的一个。因此，也就是250万个，然后加上100，因为100个个神经元中每个都有自己的bias term，它自身的偏差权重也需要学习。

你有大约250万个参数或权重。接下来，运行拟合。这需要训练输入和训练标签，并获取你想要的epochs数量。你想要10，所以在经过训练的输入上重复10次。它需要一个batch size来告诉你这个数字，在这种情况下，歌曲在更新权重之前要遍历；并且validation_split是0.2，表示要接受20％的训练输入，将其拆分出来，实际上并没有对其进行训练，并用它来评估每个epoch之后它的表现如何。实际上从来没有训练验证拆分，但验证拆分可让你随时查看进度。

最后，因为你提前将训练和测试分开了，所以对测试、测试数据进行评估，并打印出测试数据的损失和准确度。以下是训练结果：

它边运行边打印，并始终打印损失和准确性。这是在训练集本身，而不是验证集上，所以这应该非常接近1.0。你可能不希望它接近1.0，因为这可能代表过拟合，但是如果你让它持续足够长时间，通常会在训练集上达到1.0的精度，因为它会记住训练集。

你真正关心的是验证的准确度，这就需要使用测试集。测试集是以前从未见过的数据，至少不是用于训练的数据。最终的准确性取决于你提前分离的测试数据。现在你的准确度大约为53％。这看起来比较低，但要知道有10种不同的流派。随机猜测的准确率是10％，所以这比随机猜测要好很多。

[1]marsyasweb.appspot.com/download/data_sets/.GTZAN Genre Collection

[2]https://freesound.org/people/Stereo Surgeon/sounds/266093/

[3]https://freesound.org/people/grrlrighter/sounds/98195/

原文：

https://medium.com/@navdeepsingh_2336/identifying-the-genre-of-a-song-with-neural-networks-851db89c42f0