本文手把手教你如何構建一個能夠識別歌曲類型的神經網絡。

DataSet: 本文使用GTZAN Genre Collection音樂數據集，地址:[1]

這個數據集包含1000首不同的歌曲，分布在10種不同流派，每個流派100首，每首歌曲大約30秒。

使用的庫：Python庫librosa，用于從歌曲中提取特征，并使用梅爾頻率倒譜系數（ Mel-frequency cepstral coefficients ，MFCC）。

MFCC數值模仿人類的聽覺，在語音識別和音樂類型檢測中有廣泛的應用。MFCC值將被直接輸入神經網絡。

了解MFCC

讓我們用兩個例子來說明MFCC。請通過Stereo Surgeon下載Kick Loop 5[2]和Whistling[3]。其中一個是低音鼓聲，另一個是高音口哨聲。它們明顯不同，你可以看到它們的MFCC數值是不同的。

讓我們轉到代碼（本文的所有代碼文件都可以在Github鏈接中找到）。

以下是你需要導入的內容列表：

librosalibrary

glob，你需要列出不同類型目錄中的文件

numpy

matplotlib，繪制MFCC graphs

Keras的序列模型，一種典型的前饋神經網絡

密集的神經網絡層，即有很多神經元的層。

例如，與卷積不同的是，它具有2D表示。你必須使用import activation，它允許你為每個神經元層提供一個激活函數，以及to_categorical，它允許你把類的名稱轉換成諸如搖滾（rock），迪斯科（disco）等等，稱為one-hot 編碼， 如下所示：

這樣，你已經正式開發了一個輔助函數來顯示MFCC的值

首先，加載歌曲，然后從中提取MFCC值。然后，使用specshow，這是librosa庫里的頻譜圖。

這是踏板鼓：

Low frequency: Kick loop5

可以看到，在低頻率下，低音是非常明顯的。沒有多少其他頻率被表示。但是，口哨聲的頻譜圖明顯有更高的頻率表示：

High frequency: Whistling

顏色越深或越接近紅色，在那個頻率范圍內的能量越大。

限定歌曲流派

你甚至可以看到口哨聲的頻率的變化。下面是是disco曲的頻率：

Song type/genre: Disco

下面是頻率輸出：

Disco Songs

你可以在前面的輸出中看到節拍，但由于它們只有30秒長，因此很難看到單個的節拍。將它與古典樂相比較，會發現古典音樂沒有那么多的節拍，而是有連續的低音線，比如下面是來自大提琴的低音線：

Song genre: Classical

下面是嘻哈音樂（hip-hop）的頻率：

Song genre:HipHop

HipHop songs

它看起來有點像disco，分辨它們之間的細微區別是神經網絡的問題。

這里還有另一個輔助函數，它只加載MFCC值，但這次你是正在為神經網絡做準備：

同時加載的是歌曲的MFCC值，但由于這些值可能在-250到+150之間，它們對神經網絡沒有什么好處。你需要輸入接近-1到+1或0到1的值。

因此，需要計算出每首歌曲的最大值和絕對值。然后將所有值除以最大值。此外，歌曲的長度略有不同，因此只需要選擇25000個MFCC值。你必須非常確定你輸入神經網絡的東西的大小總是相同，因為只有那么多的輸入神經元，一旦搭建好網絡就無法改變了。

限定歌曲以獲得MFCC值和流派名稱

接下來，有一個名為generate _features_and_labels的函數，它將遍歷所有不同的流派，并遍歷數據集中的所有歌曲，然后生成MFCC值和流派名：

如上面的截圖所示，準備一個所有特征和標簽的列表。遍歷全部10種流派。對于每種流派，請查看該文件夾中的文件。'generes /'+ genre +'/ *。au'文件夾顯示數據集的組織方式。

處理這個文件夾時，每個文件會有100首歌曲; 你可以提取特征并將這些特征放在all_features.append(features)列表中。那首歌曲的流派名稱也需要列在一個列表中。因此，最終，所有features將包含1000個條目，所有標簽也將包含1000個條目。在所有feature的情況下，這1000個條目中的每一個都將有25000個條目。這是一個1000 x 25000矩陣。

對于目前的所有標簽，有一個1000 entry的列表，里面是藍調、古典、鄉村、迪斯科、嘻哈、爵士、金屬、流行、雷鬼和搖滾等等詞匯。這就成問題了，因為神經網絡不會預測單詞或預測字母。你需要給它一個one-hot編碼，這意味著這里的每個單詞都將被表示為十個二進制數。

藍調（blues）的情況下，它是1后面跟著9個0。

古典（classical）的情況是，是0后面跟著1，再跟著9個0。以此類推。首先，通過np.unique(all_labels, return_inverse=True) 命令將它們作為整數返回來計算所有唯一的名稱。然后，使用to_categorical，將這些整數轉換為one-hot編碼。

那么，返回的是1000x10維。因為有1000首歌曲，每個歌曲都有10個二進制數字來表示單熱編碼。然后，通過命令return np.stack(all_features)返回堆疊在一起的所有特征，onehot_labels到單個矩陣，以及one-hot矩陣。因此，調用上層函數并保存特征和標簽：

為了確保正確，請打印如下面的截圖所示的特性和標簽的形狀。特性是1000×25000，標簽是1000×10。現在，將數據集拆分為一個列并測試拆分。將80%的標記定義為training_split= 0.8，以執行拆分:

接下來，構建神經網絡：

你會得到一個序列神經網絡。第一層是100個神經元的dense layer。在第一層，你需要給出輸入尺寸或輸入形狀，在這個例子里，就是25000。

這表示每個示例有多少輸入值。25000將連接到第一層中的100。

第一層將對其輸入，權重和偏差項進行加權求和，然后運行relu激活函數。relu表示任何小于0的都會變成0，任何高于0的都是值本身。

然后，這100個將連接到另外10個，就是輸出層。之所以是10，是因為你已經完成了one-hot編碼并且在編碼中有10個二進制數。

代碼中使用的激活softmax告訴你取10的輸出并對它們進行規范化，使它們加起來為1。這樣，它們最終成為了概率。現在考慮10個中的得分最高或概率最高的作為預測。這將直接對應于最高數字位置。例如，如果它在位置4，那么它就是disco。

接下來，編譯模型，選擇Adam等優化器，并定義損失函數。由于你有多個輸出，你可能希望進行分類交叉熵和度量準確性，以便除了始終顯示的損失之外，還可以在評估期間看到準確度。但是，準確度更有意義。接下來，打印model.summary，它會告訴你有關層的詳細信息。它看起來是這樣的：

第一個100神經元的層的輸出形狀肯定是100個值，因為有100個神經元，而密集的第二層的輸出是10，因為有10個神經元。那么，為什么第一層有250萬個參數或權重？這是因為你有25000個輸入。

你有25000個輸入，每個輸入都會進入100個密集神經元中的一個。因此，也就是250萬個，然后加上100，因為100個個神經元中每個都有自己的bias term，它自身的偏差權重也需要學習。

你有大約250萬個參數或權重。接下來，運行擬合。這需要訓練輸入和訓練標簽，并獲取你想要的epochs數量。你想要10，所以在經過訓練的輸入上重復10次。它需要一個batch size來告訴你這個數字，在這種情況下，歌曲在更新權重之前要遍歷；并且validation_split是0.2，表示要接受20％的訓練輸入，將其拆分出來，實際上并沒有對其進行訓練，并用它來評估每個epoch之后它的表現如何。實際上從來沒有訓練驗證拆分，但驗證拆分可讓你隨時查看進度。

最后，因為你提前將訓練和測試分開了，所以對測試、測試數據進行評估，并打印出測試數據的損失和準確度。以下是訓練結果：

它邊運行邊打印，并始終打印損失和準確性。這是在訓練集本身，而不是驗證集上，所以這應該非常接近1.0。你可能不希望它接近1.0，因為這可能代表過擬合，但是如果你讓它持續足夠長時間，通常會在訓練集上達到1.0的精度，因為它會記住訓練集。

你真正關心的是驗證的準確度，這就需要使用測試集。測試集是以前從未見過的數據，至少不是用于訓練的數據。最終的準確性取決于你提前分離的測試數據。現在你的準確度大約為53％。這看起來比較低，但要知道有10種不同的流派。隨機猜測的準確率是10％，所以這比隨機猜測要好很多。