使用 LSTM 生成音乐
本文介绍了一种基于文本的 LSTM(长短时记忆)网络的新方法,并讨论了其在自动音乐作曲方面的应用,研究表明采用基于词的 RNNs 对和弦进行学习的效果较好,该系统可用于完全自动的音乐创作或辅助人类通过调节模型的多样性参数来创作音乐。
Apr, 2016
本文采用深度学习方法,具体来说是 LSTM 网络,用于音乐转录建模和创作,使用大约 23,000 个高级词汇(ABC 符号)表示的音乐转录来构建和训练 LSTM 网络,并用其生成新的转录。实际目的是在特定的音乐创作情境中创建有用的音乐转录模型,我们从三个方面展示了结果:1)在种群水平上,比较训练转录和生成转录集的描述性统计数据;2)在个体水平上,研究生成的转录如何反映训练转录中音乐实践的惯例(凯尔特民间音乐);3)在应用级别上,使用该系统进行音乐创作的创意生成。我们开放和提供了我们的数据集、软件和声音示例:https://github.com/IraKorshunova/folk-rnn。
Apr, 2016
提出了一种计算机音乐作曲框架,利用鲁棒传播 (RProp) 和 长短期记忆 (LSTM) 循环神经网络,成功展示 LSTM 网络适当学习音乐的结构和特征,同时显示利用 RProp 预测现有音乐的结果优于 BPTT。
Dec, 2014
我们提出了一种实时连续控制和 “掌控” 序列生成的方法,使用一组循环神经网络和动态改变模型混合权重,并使用基于字符的长短时记忆网络和手势界面演示了该方法。
Dec, 2016
本文对于近三十年来产生和实践了重要的循环神经网络(RNN),LSTM 和 BRNN 等模型的研究进行综述,旨在提供一个自成体系的最前沿阐述和历史视角,并引用了相关研究文献。
May, 2015
本文介绍了一种分层递归神经网络用于创作旋律的方法,该方法通过多个 LSTM 子网络从粗到细逐层生成小节结构、节奏结构和音符,通过两个人类行为实验证明了这种结构相对于单层 LSTM 和现有的 MIdiNet 和 MusicVAE 模型更适合创作旋律。
Dec, 2017
本文介绍 LSTM 模型的结构和前向传播机制,提出了 Random Connectivity LSTM(RCLSTM)模型,并通过在电信网络交通预测和用户移动性中的应用证明了 RCLSTM 模型可实现相同的预测准确性,同时具有计算复杂度更低的优点
Oct, 2018
本研究论文表明长短时记忆循环神经网络可以用于通过逐个预测数据点来生成具有长距离结构的复杂序列。该方法通过文本和在线手写(其中数据为实值)进行演示,然后通过允许网络对文本序列进行条件预测,将其扩展到手写合成。结果系统能够以各种风格生成高度逼真的草书手写。
Aug, 2013