用深度学习找到一首歌的流派风格
我们人类特别擅长的事情之一是分类歌曲。在短短几秒钟内，我们可以判断我们是在听古典音乐、Rap，Blues还是EDM。然而，这个任务对我们一些人来说很简单，但是还有数百万人仍然生活在未分类的数字音乐库。
使用这个机器学习开源项目就能让您的计算机成为音乐专家。
https://github.com/despoisj/DeepAudioClassification
针对7,160首歌曲，如果人类是能花费3秒钟进行了分类（无论是通过收听还是由于您已经知道），所有这些歌曲需要花费约6小时来对它们进行分类。如果需要添加手动标记，这样的体力劳动很容易上升到超过10个小时， 没有人愿意这样做。
在这篇文章中，我们将看到我们如何使用深度学习 ，以帮助我们在这个劳动密集型的任务。
下面对我们将做什么首先做一个一般概述：
1.提取库中每首歌曲的简化表达
2.训练一个深层神经网络来分类歌曲
3.使用分类器来获得歌曲流派
数据
首先，我们需要一个数据集。 为此，先从自己的iTunes库开始 -虽然它不像我们可以找到的其他数据集那么多样化，完整，甚至一样大，但它是一个好的开始。 注意，我只使用了2000首歌曲，因为它已经代表了大量的数据。
优化数据集
首先我们发现这些歌曲有太多的流派和其他风格 ，我们并不真正需要协奏曲风格、古典风格。
一旦每个类型有一定数量的歌曲，我们就可以开始从数据中提取重要的信息。每首歌只是非常长的一系列值。 典型的采样频率为44100Hz -每秒存储44100个音频，立体声是两倍。这意味着，3分钟长的歌曲立体声含有7938000样本 。 这是很多信息，如果我们想要做任何事情，我们需要将其减少到更易于管理的水平。我们可以丢弃立体声通道 ，因为它包含高度冗余的信息。
我们使用傅立叶变换将我们的音频数据转换到频域。这将作为频谱导出更简单和紧凑。这个过程会给我们一个PNG文件，包含歌曲所有频率基于时间的演变。
这里，我们将使用每秒50像素（每像素20ms），这足以确保使用我们需要的所有信息。
接下来我们要做的是处理歌曲的长度。 这个问题有两种方法。
第一个是使用一个回归神经网络，按顺序喂给图像的每一列。
如果我们可以在3秒内通过耳朵分类歌曲，为什么机器不能做同样的？
我们可以创建频谱的固定长度的片，并把它们作为代表流派独立样本。 方便起见我们可以使用方片，这意味着我们将频谱降低到128×128像素的切片。这表示每个切片中的2.56s的数据。
我们可以使用数据增强扩大数据集，例如，我们可以向图像添加随机噪声，或者水平轻微拉伸，然后裁剪它们。但是，我们必须确保我们不会破坏数据的模式。我们不能旋转图像，也没有水平翻转他们，因为声音是不是对称的。
现在开始选择模型 - 让我们建立一个分类器！
在我们把所有的歌曲切成方形光谱图像之后，我们有一个数据集，每个类型包含数万个样本。现在，我们可以用深层卷积神经网络来对这些样本进行训练分类。
为此，我使用了Tensorflow的包装器TFLearn。
实现细节
1.数据集拆分：训练（70％），验证（20％），测试（10％）
2.模型 ：卷积神经网络。
3.层 ：尺寸2x2，步幅2
4.优化 ：RMSProp。
5.激活函数：ELU（指数线性单位）
6.初始化 ：在所有层中的权重矩阵Xavier。
6.正则 ：丢失的概率0.5