---

theme: devui-blue

一、老张需求：AI作曲营造新年氛围

我有一个搞嵌入式的朋友老张，全名叫张三。是真的，他的身份证上就叫张三。据说，出生时，他父母准备了一堆名字。但是两人各执一派，大打出手。吵闹声引来隔壁李大爷：实在不行叫张三，我叫李四，也活得挺好。于是，互不相让的一对年轻夫妻，给孩子上了户口，起名叫：张三。

老张长大后，一直不和李大爷说话。李大爷告诉小张三：当时，如果，不是我冲进去，急中生智给你定下名字，你可能就没命了。听到这里，小张三才稍微得以释怀，并且给李大爷磕了个头，以示感谢。李大爷说：客气了，我起名字时，我父母也一样，最后还是你爷爷给起的李四，咱两家是世交。

我打断了老张：快说，找我么事？

老张说，其实我一直觉得，我不是普通的凡人。

“嗯，你特别的烦人”。

老张说，是平凡的“凡”。我今年40岁了，哎，你知道吗？我前天刚过完40岁生日，买了一个大蛋……

“说事情！”

老张说，兄弟，帮帮忙吧，我想搞一个发明，需要你人工智能方向的帮助。

我说，啊，你又搞发明？这次什么想法。

老张说，现在快过年了，我想搞一个仿老式留声机的盒子，安装到餐厅里面。

机器采用自助模式，只要顾客付钱，盒子就会自动播放一段，由AI生成的原创新年音乐，给他们送去祝福，扫码还可以下载保存。

我问老张，你有销售渠道吗？

老张说，放心吧，餐厅我都谈好了。他们提供场地和网络，我们只承担电费就行。

我沉思了一会，问老张：老张啊，你认识一个“耿”姓做手工的人吗？

老张说，相信我，我绝对不认识他，他的那些发明，不是没用，是真没用。

我点了点头：那就好，我支持你！

二、midi格式：便携式音乐描述文件

想让AI学会作曲，首先要找到一批音乐样本，让它学。

AI作曲，遵循“种瓜得瓜，种豆得豆”的原则：你给它训练什么风格的样本，它最终就会生成什么风格的音乐。

因此，我们需要找一些轻松活泼的音乐，这适合新年播放。

音乐文件的格式，我们选择MIDI格式。MIDI的全称是：Musical Instrument Digital Interface，翻译成中文就是：乐器数字接口。

这是一种什么格式？为什么会有这种格式呢？

话说，随着计算机的普及，电子乐器也出现了。电子乐器的出现，极大地节省了成本，带来了便利。

基本上有一个电子乐器，世间的乐器就都有了。

这个按钮是架子鼓，那个按钮是萨克斯。而在此之前，你想要发出这类声音，真的得敲架子鼓或者吹萨克斯管。

而且还有更为放肆的事情。你想用架子鼓一秒敲五下，得有专业的技能。但是用电子乐器，一秒敲五十下也毫不费力，因为程序就给搞定了。

这些新生事物的出现，常常让老艺术家们口吐鲜血。

电子乐器既然可以演奏音乐，那么就有乐谱。这乐谱还得有标准，因为它得在所有电子乐器中都起作用。这个“计算机能理解的乐谱”，就是MIDI格式。

下面我们就来解析一下MIDI文件。看看它的结构是怎么样的。

我找到一个机器猫（哆啦A梦）的主题曲，采用python做一下解析：

```python import pretty_midi

加载样本文件

pm = pretty_midi.PrettyMIDI("jqm.midi")

循环乐器列表

for i, instrument in enumerate(pm.instruments): instrument_name = pretty_midi.program_to_instrument_name(instrument.program) print(i, instrument_name) # 输出乐器名称 ```

这个音乐，相信大家都很熟悉，就是：哦、哦、哦，哆啦A梦和我一起，让梦想发光……

通过pretty_midi库加载MIDI文件，获取它的乐器列表pm.instruments，打印如下：

Acoustic Grand Piano(原声大钢琴)、Glockenspiel(钢片琴)、String Ensemble(弦乐合奏) 、 Muted Trumpet(闷音小号)、Trombone(长号)、 Electric Bass(电贝斯)、Acoustic Guitar(原声吉他)、 Flute(长笛)、Acoustic Grand Piano(原声大钢琴)、 Harmonica(口琴)、Vibraphone(电颤琴)、Bagpipe(苏格兰风笛)、Marimba(馬林巴琴)……

我们看到，短短一个片头曲，就动用了近20种乐器。如果不是专门分析它，我们还真的听不出来呐。

那么，每种乐器的音符可以获取到吗？我们来试试：

``` python

承接上个代码片段，假设选定了乐器instrument

for j, note in enumerate(instrument.notes): # 音高转音符名称 note_name = pretty_midi.note_number_to_name(note.pitch) info = ("%s:%.2f->%.2f")%(note_name, note.start, note.end) ```

打印如下：

Acoustic Grand Piano

F#3:1.99->2.04 F#2:1.98->2.06 E2:1.99->2.07 C2:1.98->2.08 F#3:2.48->2.53 F#2:2.48->2.56 F#3:2.98->3.03 F#2:2.98->3.06 ……

通过获取instrument的notes，可以读到此乐器的演奏信息。包含：pitch音高，start开始时间，end结束时间，velocity演奏力度。

| 名称 | pitch | start | end | velocity | | --- | --- | --- | --- | --- | | 示例 | 24 | 1.98 | 2.03 | 82 | | 解释 | 音高(C1、C2) | 开始时间 | 结束时间 | 力度 | | 范围 | 128个音高 | 单位为秒 | 单位为秒 | 最高100 |

上面的例子中，F#3:1.99->2.04表示：音符F#3，演奏时机是从1.99秒到2.04秒。

如果把这些数据全都展开，其实挺壮观的，应该是如下这样：

其实，MIDI文件对于一首乐曲来说，就像是一个程序的源代码，也像是一副药的配方。MIDI文件里，描述了乐器的构成，以及该乐器的演奏数据。

这类文件要比WAV、MP3这些波形文件小得多。一段30分钟钢琴曲的MIDI文件，大小一般不超过100KB。

因此，让人工智能去学习MIDI文件，并且实现自动作曲，这是一个很好的选择。

三、实战：TensorFlow实现AI作曲

我在datasets目录下，放了一批节奏欢快的MIDI文件。

这批文件，除了节奏欢快适合在新年播放，还有一个特点：全部是钢琴曲。也就是说，如果打印他的乐器的话，只有一个，那就是：Acoustic Grand Piano(原声大钢琴)。

这么做降低了样本的复杂性，仅需要对一种乐器进行训练和预测。同时，当它有朝一日练成了AI作曲神功，你也别妄想它会锣鼓齐鸣，它仍然只会弹钢琴。

多乐器的复杂训练当然可行。但是目前在业内，还没有足够的数据集来支撑这件事情。

开搞之前，我们必须得先通盘考虑一下。不然，我们都不知道该把数据搞成么个形式。

AI作曲，听起来很高端。其实跟文本生成、诗歌生成，没有什么区别。我之前讲过很多相关的例子《NLP实战：基于LSTM自动生成原创宋词》《NLP实战：基于GRU的自动对春联》《NLP实战：基于RNN的自动藏头诗》。也讲过很多关于NLP的知识点《NLP知识点：Tokenizer分词器》《NLP知识点：文本数据的预处理》等。如果感兴趣，大家可以先预习一下。不看也不要紧，后面我也会简单描述，但深度肯定不如上面的专项介绍。

利用RNN，生成莎士比亚文集，是NLP领域的HelloWorld入门程序。那么，AI作曲，只不过是引入了音乐的概念。另外，在出入参数上，维度也丰富了一些。但是，从本质上讲，它还是那一套思路。

所有AI自动生成的模式，基本上都是给定一批输入值+输出值。然后，让机器去学习，自己找规律。最后，学成之后，再给输入，让它自己预测出下一个值。

举个例子，莎士比亚文集的生成，样本如下：

First Citizen: Before we proceed any further, hear me speak.

All: Speak, speak.

它是如何让AI训练和学习呢？其实，就是从目前的数据不断观察，观察出现下一个字符的概率。

| 当前 | 下一个 | 经验值 | | --- | --- | --- | | F | i | ☆ | | Fi | r | ☆ | | Fir | s | ☆ | | Firs | t | ☆☆ | | …… | …… | …… |

F后面大概率会出现i。如果现在是Fi，那么它的后面该出现r了。这些，AI作为经验记了下了。

这种记录概率的经验，在少量样本的情况下，是无意义的。

但是，当这个样本变成人类语言库的时候，那么这个概率就是语法规范，就是上帝视角。

举个例子，当我说：冬天了，窗外飘起了__！

你猜，飘起了什么？是的，窗外飘起了雪。

当AI分析过人类历史上，出现过的所有语言之后。当它进行数据分析的时候，最终它会计算出：在人类的语言库里，冬天出现飘雪花的情况，要远远高于冬天飘落叶的情况。所以，它肯定也会告诉你那个空该填：雪花。

这就是AI自动作词、作曲、作画的本质。它的技术支撑是带有链式的循环神经网络（RNN），数据支撑就是大量成型的作品。

3.1 准备：构建数据集

首先，读取这些数据，然后把它们加工成输入input和输出output。

展开一个MIDI文件，我们再来看一下原始数据：

Note(start=1.988633, end=2.035121, pitch=54, velocity=82), Note(start=1.983468, end=2.060947, pitch=42, velocity=78), Note(start=2.479335, end=2.525823, pitch=54, velocity=82)……

我们可以把前几组，比如前24组音符数据作为输入，然后第25个作为预测值。后面依次递推。把这些数据交给AI，让它研究去。

训练完成之后，我们随便给24个音符数据，让它预测第25个。然后，再拿着2~25，让它预测第26个，以此循环往后，连绵不绝。

这样可以吗？

可以（能训练）。但存在问题（结果非所愿）。

在使用循环神经网络的时候，前后之间要带有通用规律的联系。比如：前面有“冬天”做铺垫，后面遇到“飘”时，可以更准确地推测出来是“飘雪”。

我们看上面的数据，假设我们忽略velocity（力度）这个很专业的参数。仅仅看pitch音高和start、end起始时间。其中，音高是128个音符。它是普遍有规律的，值是1~128，不会出圈儿。但是这个起始时间却很随机，这里可以是啊1秒开始，再往后可能就是100秒开始。

如果，我们只预测2个音符，结果200秒的时间出现的概率高。那么，第二个音符岂不是到等到3分钟后再演奏。另外，很显然演奏是有先后顺序的，因此要起止时间遵从随机的概率分布，是不靠谱的。

我觉得，一个音符会演奏多久，以及前后音符的时间间距，这两项相对来说是比较稳定的。他们更适合作为训练参数。

因此，我们决定把音符预处理成如下格式：

Note(duration=0.16, step=0.00, pitch=54), Note(duration=0.56, step=0.31, pitch=53), Note(duration=0.26, step=0.22, pitch=24), ……

duration表示演奏时长，这个音符会响多久，它等于end-start。

step表示步长，本音符距离上一个出现的时间间隔，它等于start2-start1。

原始数据格式[start,end]，同预处理后的数据格式[duration,step]，两者是可以做到相互转化的。

我们把所有的训练集文件整理一下：

``` python import pretty_midi import tensorflow as tf

midi_inputs = [] # 存放所有的音符 filenames = tf.io.gfile.glob("datasets/*.midi")

循环所有midi文件

for f in filenames: pm = pretty_midi.PrettyMIDI(f) # 加载一个文件 instruments = pm.instruments # 获取乐器 instrument = instruments[0] # 取第一个乐器，此处是原声大钢琴 notes = instrument.notes # 获取乐器的演奏数据 # 以开始时间start做个排序。因为默认是依照end排序 sorted_notes = sorted(notes, key=lambda note: note.start) prev_start = sorted_notes[0].start # 循环各项指标，取出前后关联项 for note in sorted_notes: step = note.start - prev_start # 此音符与上一个距离 duration = note.end - note.start # 此音符的演奏时长 prev_start = note.start # 此音符开始时间作为最新 # 指标项：[音高（音符），同前者的间隔，自身演奏的间隔] midi_inputs.append([note.pitch, step, duration]) `` 上面的操作，是把所有的MIDI文件，依照预处理的规则，全部处理成[pitch, step, duration]格式，然后存放到midi_inputs`数组中。

这只是第一步操作。后面我们要把这个朴素的格式，拆分成输入和输出的结对。然后，转化为TensorFlow框架需要的数据集格式。

``` python seq_length = 24 # 输入序列长度 vocab_size = 128 # 分类数量

将序列拆分为输入和输出标签对

def split_labels(sequences): inputs = sequences[:-1] # 去掉最后一项最为输入 # 将音高除以128，便于 inputs_x = inputs/[vocab_size,1.0,1.0] y = sequences[-1] # 截取最后一项作为输出 labels = {"pitch":y[0], "step":y[1],"duration":y[2]} return inputs_x, labels

搞成tensor，便于流操作，比如notes_ds.window

notes_ds = tf.data.Dataset.from_tensor_slices(midi_inputs) cut_seq_length = seq_length+1 # 截取的长度，因为要拆分为输入+输出，因此+1

每次滑动一个数据，每次截取cut_seq_length个长度

windows = notes_ds.window(cut_seq_length, shift=1, stride=1,drop_remainder=True) flatten = lambda x: x.batch(cut_seq_length, drop_remainder=True) sequences = windows.flat_map(flatten)

将25，拆分为24+1。24是输入，1是预测。进行训练

seq_ds = sequences.map(split_labels, num_parallel_calls=tf.data.AUTOTUNE) buffer_size = len(midi_inputs) - seq_length

拆分批次，缓存等优化

train_ds = (seq_ds.shuffle(buffer_size) .batch(64, drop_remainder=True) .cache().prefetch(tf.data.experimental.AUTOTUNE)) ```

我们先分析split_labels这个方法。它接收一段序列数组。然后将其分为两段，最后1项作为后段，其余部分作为前段。

我们把seq_length定义为24，从总数据midi_inputs中，利用notes_ds.window实现每次取25个数据，取完了向后移动1格，再继续取数据。直到凑不齐25个数据（drop_remainder=True意思是不足25弃掉）停止。

至此，我们就有了一大批以25为单位的数据组。其实，他们是：1~25、2~26、3~27……

然后，我们再调用split_labels，将其全部搞成24+1的输入输出对。此时数据就变成了：(1~24,25)、(2~25,26)……。接着，再调用batch方法，把他们搞成每64组为一个批次。这一步是框架的要求。

至此，我们就把准备工作做好了。后面，就该交给神经网络训练去了。

3.2 训练：构建神经网络结构

这一步，我们将构建一个神经网络模型。它将不断地由24个音符观察下一个出现的音符。它记录，它思考，它尝试推断，它默写并对照答案。一旦见得多了，量变就会引起质变，它将从整个音乐库的角度，给出作曲的最优解。

好了，上代码：

``` python input_shape = (seq_length, 3) # 输入形状 inputs = tf.keras.Input(input_shape) x = tf.keras.layers.LSTM(128)(inputs)

输出形状

outputs = { 'pitch': tf.keras.layers.Dense(128, name='pitch')(x), 'step': tf.keras.layers.Dense(1, name='step')(x), 'duration': tf.keras.layers.Dense(1, name='duration')(x), } model = tf.keras.Model(inputs, outputs) `` 上面代码我们定义了输入和输出的格式，然后中间加了个LSTM`层。

先说输入。因为我们给的格式是[音高，间隔，时长]共3个关键指标。而且每24个音，预测下一个音。所以input_shape = (24, 3)。

再说输出。我们最终期望AI可以自动预测音符，当然要包含音符的要素，那也就是outputs = {'pitch','step','duration'}。其中，step和duration是一个数就行，也就是Dense(1)。但是，pitch却不同，它需要是128个音符中的一个。因此，它是Dense(128)。

最后说中间层。我们期望有人能将输入转为输出，而且最好还有记忆。前后之间要能综合起来，要根据前面的铺垫，后面给出带有相关性的预测。那么，这个长短期记忆网络LSTM（Long Short-Term Memory）就是最佳的选择了。

最终，model.summary()打印结构如下所示：

|Layer (type) | Output Shape | Param | Connected to| | --- | --- | --- | --- | | input (InputLayer) | [(None, 24, 3)] | 0 | [] | | lstm (LSTM) | (None, 128) | 67584 | ['input[0][0]'] | | duration (Dense) | (None, 1) | 129 | ['lstm[0][0]'] | | pitch (Dense) | (None, 128) | 16512 | ['lstm[0][0]'] | | step (Dense) | (None, 1) | 129 | ['lstm[0][0]'] | | Total params: 84,354 | | |

后面，配置训练参数，开始训练：

``` python checkpoint_path = 'model/model.ckpt' # 模型存放路径 model.compile( # 配置参数 loss=loss, loss_weights={'pitch': 0.05,'step': 1.0,'duration':1.0}, optimizer=tf.keras.optimizers.Adam(learning_rate=0.01), )

模型保存参数

cp_callback = tf.keras.callbacks.ModelCheckpoint( filepath=checkpoint_path ,save_weights_only=True, save_best_only=True)

启动训练，训练50个周期

model.fit(train_ds, validation_data=train_ds , epochs=50,callbacks=[cp_callback]) `` 训练完成之后，会将模型保存在'model/model.ckpt'目录下。而且，我们设置了只保存最优的一个模型save_best_only=True`。

上面有个需要特别说明的地方，那就是在model.compile中，给损失函数加了一个权重loss_weights的配置。这是因为，在输出的三个参数中，pitch音高的128分类跨度较大，一旦预测有偏差，就会导致损失函数的值很大。而step和duration本身数值就很小，都是0.0x秒，损失函数的值变化较小。这种不匹配，会导致后两个参数的变化被忽略，只关心pitch的训练。因此需要降低pitch的权重平衡一下。至于具体的数值，是调试出来的。

出于讲解的需要，上面的代码仅仅是关键代码片段。文末我会把完整的项目地址公布出来，那个是可以运行的。

好了，训练上50轮，保存完结果模型。下面，就该去做预测了。

3.3 预测和播放：实现AI作曲

现在这个模型，已经可以根据24个音符去推测出下一个音符了。我们来试一下。

``` python

加载模型

if os.path.exists(checkpoint_path + '.index'): model.load_weights(checkpoint_path)

从音符库中随机拿出24个音符，当然你也可以自己编

sample_notes = random.sample(midi_inputs, 24) num_predictions = 600 # 预测后面600个

循环600次，每次取最新的24个

for i in range(num_predictions): # 拿出最后24个 n_notes = sample_notes[-seq_length:] # 主要给音高做一个128分类归一化 notes = [] for input in n_notes: notes.append([input[0]/vocab_size,input[1],input[2]]) # 将24个音符交给模型预测 predictions = model.predict([notes]) # 取出预测结果 pitch_logits = predictions['pitch'] pitch = tf.random.categorical(pitch_logits, num_samples=1)[0] step = predictions['step'][0] duration = predictions['duration'][0] pitch, step, duration = int(pitch), float(step), float(duration) # 将预测值添加到音符数组中，进行下一次循环 sample_notes.append([pitch, step, duration]) `` 其实，关键代码就一句predictions = model.predict([notes])。根据24个音符，预测出来下一个音符的pitch、step和duration`。其他的，都是辅助操作。

我们从素材库里，随机生成了24个音符。其实，如果你懂声乐，你也可以自己编24个音符。这样，起码能给音乐定个基调。因为，后面的预测都是根据前面特征来的。当然，也可以不是24个，根据2个生成1个也行。那前提是，训练的时候也得是2+1的模式。但是，我感觉还是24个好，感情更深一些。

从24个生成1个后，变成了25个。然后再取这25个中的最后24个，继续生成下一个。循环600次，最后生成了624个音符。打印一下：

[[48, 0.001302083333371229, 0.010416666666628771], [65, 0.11979166666674246, 0.08463541666651508] …… [72, 0.03634712100028992, 0.023365378379821777], [41, 0.04531348496675491, 0.011086761951446533]]

但是，这是预处理后的特征，并非是可以直接演奏的音符。是否还记得duration = end-start以及step=start2-start1。我们需要把它们还原成为MIDI体系下的属性：

``` python

复原midi数据

prev_start = 0 midi_notes = [] for m in sample_notes: pitch, step, duration = m start = prev_start + step end = start + duration prev_start = start midi_notes.append([pitch, start, end]) ```

这样，就把[pitch, step, duration]转化成了[pitch, start, end]。打印midi_notes如下：

[[48, 0.001302083333371229, 0.01171875], [65, 0.12109375000011369, 0.20572916666662877], …… [72, 32.04372873653976, 32.067094114919584], [41, 32.08904222150652, 32.100128983457964]]

我们从数据可以看到，最后播放到了32秒。也就说我们AI生成的这段600多个音符的乐曲，可以播放32秒。

听一听效果，那就把它写入MIDI文件吧。

``` python

写入midi文件

pm = pretty_midi.PrettyMIDI() instrument = pretty_midi.Instrument( program=pretty_midi.instrument_name_to_program("Acoustic Grand Piano")) for n in midi_notes: note = pretty_midi.Note(velocity=100,pitch=n[0],start=n[1],end=n[2]) instrument.notes.append(note) pm.instruments.append(instrument) pm.write("out.midi") ```

MIDI文件有5个必需的要素。其中，乐器我们设置为"Acoustic Grand Piano"原声大钢琴。velocity没有参与训练，但也需要，我们设为固定值100。其他的3个参数，都是AI生成的，依次代入。最后，把结果生成到out.midi文件中。

使用Window自带的Media Player就可以直接播放这个文件。你听不到，我可以替你听一听。

听完了，我谈下感受吧。

怎么描述呢？我觉得，说好听对不起良心，反正，不难听。

好了，AI作曲就到此为止了。

源代码已上传到GitHub地址是：https://github.com/hlwgy/ai_music。

做完了，我还得去找老张谈谈。

四、合作：你果然还是这样的老张

我骑电动车去找老张，我告诉他，AI作曲哥们搞定了。

老张问我，你阳了没有。

我说，没有。

老张告诉我，他表弟阳了。

我说，你不用担心，毕竟你们离得那么远。

老张说，他阳了后，我们的项目也泡汤了。

我问为什么。

老张说：我谈好的那家饭店，就是表弟开的。他阳了之后，现在不承认了。

我的电脑还停留在开机界面，我强制关机。走了。

我记得，上一次，我告诉老张，三个月不要联系我《老张让我用TensorFlow识别语音命令》。

而这一次，我什么也没有说。就走了。

我是TF男孩，带你从IT视角看世界。