Changes between Initial Version and Version 1 of AGMFM - 5.4. Имплементација

Timestamp:

11/06/18 04:06:22 (6 years ago)

Author:

Monika Rizova

Comment:

—

AGMFM - 5.4. Имплементација

@@ +1 @@
+**5.4. Имплементација** 
+
+Системот за автоматско генерериње на македонска народна мелодија наречен MacedonMelody се состои од две python скрипти.  Првата скрипта се користи за креирање и  тренирање на моделот врз базата на податоци, додека во втората се генерира македонска народна мелодија врз база на тренираниот модел. 
+
+Скрипта 1 – macedon_melody_train.py
+
+import glob # За да можеме да пристапиме локално во системот
+import pickle # За да ги зачуваме нотите во документ
+import numpy # За менување на формата на влезот на невронската мрежа
+from keras.models import Sequential
+from keras.layers import CuDNNLSTM 
+from keras.layers import Dropout
+from keras.layers import Dense
+from keras.layers import Activation
+from keras.utils import np_utils
+from keras.callbacks import ModelCheckpoint
+from music21 import converter, instrument, note, chord, stream
+
+def mac_notes(): # Функција за креирање вокабулар од ноти од сите муз. документи во базата на податоци за тренирање
+    
+    macedonian_notes = [] # Листа за зачувување  на сите ноти од МИДИ документите
+    for file in glob.glob("mac_midi/*.mid"):
+        
+        macedonian_midi = converter.parse(file) #Парсирање на нотен запис од фајл
+        print("The song parsed is: %s " %file)
+        # macedonian_midi.show('text') – За прикажување на содржините на миди документите        
+        
+        
+        mac_notes_to_be_parsed = None        
+        offsets = None
+        try:
+            mac_notes_to_be_parsed = macedonian_midi.flat.notes
+        except:
+            mac_instruments = instrument.partitionByInstrument(macedonian_midi)
+            mac_notes_to_be_parsed = mac_instruments.parts[0].recurse()
+        
+        for element in mac_notes_to_be_parsed:
+            if isinstance(element, note.Note):
+                macedonian_notes.append(str(element.pitch))
+            elif isinstance(element, chord.Chord):
+                macedonian_notes.append('.'.join(str(m) for m in element.normalOrder))
+                
+    with open('data/macedonian_notes','wb') as filepath:
+        pickle.dump(macedonian_notes, filepath)
+    return macedonian_notes      # На излез дава листа со ноти
+
+def io_neural_sequences(macedonian_notes,mac_notes_vocabulary): # Функција за дефинирање на влезната и излезната секвенца на моделот на невронската мрежа. 
+    
+    input_sequence = None
+    output_sequence = None    
+    sequence_size = 150
+    n_patterns = 0
+    pitch_names = sorted(set(elem for elem in macedonian_notes))
+    mac_notes_to_int = dict((note, number) for number, note in enumerate(pitch_names))
+    i_neural_sequence = []
+    o_neural_sequence = []
+    for m in range(0, len(macedonian_notes)-sequence_size,1):
+        input_sequence = macedonian_notes[m:m + sequence_size]
+        output_sequence = macedonian_notes[m + sequence_size]
+        i_neural_sequence.append([mac_notes_to_int[char] for char in input_sequence])
+        o_neural_sequence.append(mac_notes_to_int[output_sequence])
+    n_patterns = len(i_neural_sequence)
+    i_neural_sequence = numpy.reshape(i_neural_sequence, (n_patterns,sequence_size,1))
+    i_neural_sequence = i_neural_sequence / float(mac_notes_vocabulary)
+    o_neural_sequence = np_utils.to_categorical(o_neural_sequence)
+    
+    return (i_neural_sequence, o_neural_sequence) # На излез ни ги дава дефинираните внезна и излезна секвенца за невронската  мрежа
+
+def model_neural_netrowk(i_neural_sequence, mac_notes_vocabulary): # Функција за креирање на артитектура на секвенционен модел на невронска мрежа, кој се состои од  3 CuDNNLSTM слоја, 3 Dropout слоја, 2 Dense слоја и слој за активација.
+    
+    model = Sequential()
+    model.add(CuDNNLSTM(256,input_shape=(i_neural_sequence.shape[1], i_neural_sequence.shape[2]),return_sequences=True))
+    model.add(Dropout(0.3))
+    model.add(CuDNNLSTM(512, return_sequences=True))
+    model.add(Dropout(0.3))
+    model.add(CuDNNLSTM(256))
+    model.add(Dropout(0.3))
+    model.add(Dense(256))
+    model.add(Dense(mac_notes_vocabulary))
+    model.add(Activation('softmax'))
+    model.compile(loss='categorical_crossentropy', optimizer='rmsprop')
+    return model # На излез дава моделиран модел на  LSTM невронска мрежа
+
+def train_neural_network(model, i_neural_sequence, o_neural_sequence): # Функција за тренирање на невронската мрежа
+    filepath = "weights-{epoch:02d}-{loss:.4f}-bigger.hdf5"
+    checkpoint = ModelCheckpoint(
+        filepath,
+        monitor='loss',
+        verbose=0,
+        save_best_only=True,
+        mode='min'
+    )
+    
+    callbacks_list = [checkpoint]
+
+    model.fit(i_neural_sequence, o_neural_sequence, epochs=50, batch_size=10, callbacks=callbacks_list)
+    
+    
+if __name__ == '__main__':
+    macedonian_notes = mac_notes() # Ја повикуваме функцијата за креирање вокабулар од  мак. ноти
+    mac_notes_vocabulary = len(set(macedonian_notes))
+    mac_notes_vocabulary2 = len(macedonian_notes)
+    print("Num vocab is: %s " % mac_notes_vocabulary)
+    print("Size is: %s " % mac_notes_vocabulary2)
+    i_neural_sequence, o_neural_sequence = io_neural_sequences(macedonian_notes,mac_notes_vocabulary) # Ја повикуваме функцијата која ни ги дава влезната и излезната секвенца за н. мрежа
+    model = model_neural_netrowk(i_neural_sequence, mac_notes_vocabulary) # Ja повикуваме функцијата за креирање на моделот
+    train_neural_network(model, i_neural_sequence, o_neural_sequence) # Ја повикуваме функцијата за тренирање на модел на невронска мрежа