玩音樂,敲架子鼓,一個被「耽誤了」的機器學習高手
作者:琥珀
本文經授權AI科技大本營,轉載需授權
多數伏在案前敲擊鍵盤的程序員或許都曾憧憬:黑框眼鏡、格子襯衫、腳踩涼拖背後的另一番模樣的自己。
GIF
對於來自紐約的 Peter Sobot 而言,他的本職工作是通過機器學習系統為 Spotify 平台上的用戶推薦音樂。但朝九晚五的工作之餘,他還是一名鼓手兼音樂人,這也就意味著他需要經常創作各類電子音樂,當然,包括架子鼓等打擊樂器在內。
近日,Peter Sobot 在其博客中寫道:「他利用機器學習構建了一款應用程序,無論音頻樣本是底鼓、軍鼓還是其他鼓,其識別準確率高達 87%。」
萬萬沒想到,在工程師的手中,我們可以用機器學習搭建自己的音樂夢想!
需要了解的是,在現代電子音樂製作中,一般都會使用鼓聲樣片而不是真實的鼓手現場錄音的旋律,而這些樣片通常以商業性質出售,或者由音樂人免費在網上共享出來。不過,這樣的樣片卻往往很難利用,問題就出在它們的標籤和分類方式很難盡如人意。
「每家公司都試圖通過創建自己的樣片夾專有格式,如 Native Instrument 的 Battery 或 Kontakt 格式。兩者都使用元數據,並允許用戶通過各種標籤瀏覽樣片。但這些軟體包非常昂貴,且需要學習其任務流程。」 Peter 寫道。
於是,這位被音樂耽誤了的工程師決定利用機器學習來嘗試解決這一問題。
例如,給出的一段音頻該如何判斷究竟是是底鼓、軍鼓、踩鑔,還是別的音樂樣本?
如果是人類,可以毫不費力地區分出聲音,但計算機卻需要大量的訓練。在機器學習中,這通常被稱為分類問題,即機器需要注入數據並對其進行分類。在這其中,通常會涉及特徵提取階段。
Peter 指出,人類識別不同的鼓音會從以下幾個特徵判別:
一是整體文件長度。因為小鼓的聲音要比踢鼓的聲音持續時間更長,所以比較容易測量。
二是整體響度。實際上,由於電子音樂的大多數樣本都是標準化的,這意味著不同樣片中的鼓聲響度會被調整統一。相反,可以使用「最大」、「中等」、「最小」三種響度以更好地了解響度是如何隨時間變化的。
三是頻率。如底鼓樣片的低頻音段會有很多,因其直徑長,造成鼓聲小而低沉。為了讓機器學習演算法學會這一點,需要將不同頻率範圍內的聲音響度特徵分類。
四是音高。儘管鼓是一款打擊樂器,但仍可以調到各種音高。為了量化這種調整,可以採用樣本的基頻來幫助演算法區分低音和高音。
接下來,就開始訓練數據了。
據了解,Peter 從數萬個樣本中選取了大概每種樂器 20~30 個樣本量,基本分為以下三種類型:一是每種樂器的不同類型的樣本,如聲學鼓、電子鼓;二是不同來源的音樂樣本;三是非鼓聲的音樂樣本。
然後,他列出了 100 個樣本夾,將大概 50 兆位元組的樣本數據歸置於 5 個單獨文件夾中,分別是:底鼓、小鼓、軍鼓、踩鑔、以及其他。
1、執行特徵提取
據了解,這個 Python 庫是由音頻分析師 Brain McFee 等人創建的 librosa 。
(附上GitHub上的代碼鏈接:https://github.com/psobot/machine-learning-for-drummers)
2、將提取特徵保存在JSON文件夾中
3、將特徵提供給決策樹進行訓練
以決策樹為例,這是一種常見的機器學習演算法,並不涉及「神經網路」、「深度學習」的範疇。簡言之,決策樹是一種以遞歸方式學習每個特徵的閾值並將數據分類的系統。
Peter 創建了一個決策樹模型classifier.py,其權重由導入的數據通過統計決定。以下為可視化模型:
如果執行classifier.py,會呈現兩個列表:一是訓練準確率(模型預測訓練期間出現過的樣本的準確率),二是測試準確率(模型預測訓練期間未出現過的樣本的準確率)。
據了解,Peter 分別獲得了 100% 和 87% 的準確率。
在他看來,13% 的錯誤率可能是過度擬合導致,因此,為了避免出現這種可能性,他採取了以下三種方式:
調整演算法參數以使其不會太具體。
改變特徵計算以便給演算法注入更多數據,這部分數據或許對人類來說並不敏感,但在數學上有助於解決分類問題。
添加更多多樣化的數據,以便決策樹演算法可以創建一種更通用的樹,前提是現有數據並不完整。
最後,附上這位小哥哥個人照,
以及博客鏈接:
※精確率93.6%,機器學習文本識別加速科研轉化和新療法研發
※關於機器學習,你所知道的,可能都是錯的
TAG:機器學習 |