AGMFM - 5.5. Експерименти – Music Generation

Context Navigation

Version 60 (modified by Monika Rizova, 6 years ago) ( diff )
—

5.5. Експерименти

Во текот на експериментирањето со тренирање модел на невронска мрежа на македонски народни песни беа менувани повеќе параметри во моделирањето на мрежата, како бројот на епохи, бројот на песни користени за тренирање, должината на низата на ноти кои ќе ги помни мрежата за следното предвидување, и при тие промени ја набљудував кривата на загуба на податоци, со цел да се добие што помала вредност. Во следната табела ќе бидат претставени резултатите од разните тренирања.

Бр. на тест	Бр. на eпохи	Бр. на песни	Oфсет	Должина на низа	Вред. на загуба(мин.)	Бр. на скриени слоеви
1	20	10	0,4	150	2,6014	256
2	50	10	0,3	150	0,7175	256
3	50	10	0,5	150	0,1035	256
4	50	50	0,5	150	0,6507	256
5	50	100	0,5	150	0.1827	512
6	50	150	0,5	150	0,2850	256
7	100	10	0,3	150	1,9083	256
8	150	50	0,5	150	0,0458	256
9	180	50	0,5	150	0.0353	256
10	200	50	0,5	150	0,1423	256

Табела 1. Резултати од повеќето тренирани модели со различни параметри

На Табела 1. се прикажани резултатите од десет теста за тренирање на модел на невронска мрежа, при што се добиени 10 резултантни модели на невронска мрежа, со различни хиперпараметри:

Бр. на епохи претставува број на итерации за тренирање,

Бр.на песни е големината на податочното множество користено за тренирање,

Офсетот ни дава информација за интервалот помеѓу нотите,

Должина на низа означува број на ноти кои се земаат во предвид за предвидување на следна нота, на пр. Должина на низа од 150 значи дека за предвидување на следната нота ќе бидат искористени претходните 150 ноти.

Вредност на загуба (мин.) – претставува минималната вредност за загуба на податоци од сите итерации на тренирање при еден тест

Бр. на скриени слоеви – број на LSTM скриени слоеви во архитектурата на моделот на невронска мрежа

Од табелата можеме да заклучиме дека системот учел најдобро кога бил трениран со 180 итерации на податочно множество од 50 мелодии, a најлошо со 20 итерации на под. мн. Од 10 мелодии.

При тренирањето можеме да ги видеме следните податоци за епохите и нивното извршување, како и загубата.

Сл. 27 Тренирање на модел на LSTM мрежа на 10 мак. нар. песни

Сл. 28 Генерирање на м. народна мелодија врз тренираните модели

Во секој изведен тест, односно трениран модел со различни хипер-параметри, при секоја итерација се зачувуваат тежини, од кои ни е потребна онаа со минимална загуба на податоци при учењето, па ја користиме како влез за компајлирање на моделот на мрежата и за креирање на нова мелодија, што се извршува со скриптата macedon_melody_predict, и како краен резултат од експериментот имаме резултантни мелодии, кои програмот ги именува: “ai_mac_melody.mid”. Секој експеримент е документиран во посебна папка именувана во формат: t-[бр. епохи]е[бр. песни]. Резултатите се исто така достапни на траен медиум за потребите на дипломската. На сл. 29 се прикажани нотите на ново генерирана мелодија добиена со 180 итерации и 50 мелодии за тренирање.

Сл. 29 Приказ на нотите на музичкиот запис: ai_mac_melody-01.mid

Тука треба да се наведени и добиените резулати од експериментите, да може да се видат/слушнат. Во печатената форма нивен нотен запис, а на сајтот може и нотниот запис и midi записот.

Резултатите од експериментите се следниве (каде буквата е - означува епохи, м- мелодии, о - офсет и нивните соодветни вредности при експериментирањето):

ai_mac_melody-t20e10m0.4o :

https://develop.finki.ukim.mk/projects/musicgeneration/attachment/wiki/AGMFM%20-%205.5.%20%D0%95%D0%BA%D1%81%D0%BF%D0%B5%D1%80%D0%B8%D0%BC%D0%B5%D0%BD%D1%82%D0%B8/ai_mac_melody-t-20e10m0.4o.mid

ai_mac_melody-t50e10m0.5o :

https://develop.finki.ukim.mk/projects/musicgeneration/attachment/wiki/AGMFM%20-%205.5.%20%D0%95%D0%BA%D1%81%D0%BF%D0%B5%D1%80%D0%B8%D0%BC%D0%B5%D0%BD%D1%82%D0%B8/ai_mac_melody-t-50e10m0.5o.mid

ai_mac_melody-t-50e100m0.5o-m1 :

https://develop.finki.ukim.mk/projects/musicgeneration/attachment/wiki/AGMFM%20-%205.5.%20%D0%95%D0%BA%D1%81%D0%BF%D0%B5%D1%80%D0%B8%D0%BC%D0%B5%D0%BD%D1%82%D0%B8/ai_mac_melody-t-50e100m0.5o-m1.mid

ai_mac_melody-t-50e100m0.5o-m2 :

https://develop.finki.ukim.mk/projects/musicgeneration/attachment/wiki/AGMFM%20-%205.5.%20%D0%95%D0%BA%D1%81%D0%BF%D0%B5%D1%80%D0%B8%D0%BC%D0%B5%D0%BD%D1%82%D0%B8/ai_mac_melody-t-50e100m0.5o-m2.mid

ai_mac_melody-t-50e150m0.5o :

https://develop.finki.ukim.mk/projects/musicgeneration/attachment/wiki/AGMFM%20-%205.5.%20%D0%95%D0%BA%D1%81%D0%BF%D0%B5%D1%80%D0%B8%D0%BC%D0%B5%D0%BD%D1%82%D0%B8/ai_mac_melody-t-50e150m0.5o.mid

ai_mac_melody-t-100e10m0.3o :

https://develop.finki.ukim.mk/projects/musicgeneration/attachment/wiki/AGMFM%20-%205.5.%20%D0%95%D0%BA%D1%81%D0%BF%D0%B5%D1%80%D0%B8%D0%BC%D0%B5%D0%BD%D1%82%D0%B8/ai_mac_melody-t-100e10m0.3o.mid