[英]How to build a Keras model with multidimensional input and output?
我正在建立一个神经网络来产生歌曲。 我有一个文件,其中包含一首歌曲的所有音符,并且一行对应于一个音符:
0 0 0.05511 0.78740
0 0 0.07874 0.50393
0 0 0.71653 1
0 0 0.50393 0
.. .. .. ..
我想给神经网络10个第一音符 ,然后给它下一个音符 ,作为输出,必须在这10个音符之后播放。
但是我不知道如何构建第一层和最后一层(密集,LSTM ...),因为我有:
这是我的代码的开头(无法正确读取我的数据):
model = Sequential()
model.add(Dense(10, activation='relu',input_shape = (10,4)))
model.add(Dense(4, activation='relu'))
谢谢您的帮助。
这是一个序列预测问题,最好通过循环或长期短期存储网络解决。
以下可能是一个很好的入门者:
from keras.models import Sequential
from keras.layers import LSTM, Dense, Dropout
import numpy as np
#assuming all 4 columns correspond to 1 song
data_dim = 4
#so one song would be 10x4 2D array
number_of_notes_per_song = 10
nsongs_train = 100
#tunable parameter
batch_size = 32
epochs = 5
# I generated dummy data, but you have your own...
x_train = np.random.random((nsongs_train, number_of_notes_per_song, data_dim)).reshape(nsongs_train*number_of_notes_per_song,data_dim)
#this is a supervised learning problem, but your dataset has no labels..
#we can use last note in each song as a label when training LSTM
X = x_train[np.mod(np.arange(x_train.shape[0]),number_of_notes_per_song)!=0].reshape(nsongs_train,number_of_notes_per_song-1,data_dim)
y = x_train[::number_of_notes_per_song].reshape(nsongs_train,data_dim)
model = Sequential()
model.add(LSTM(32, input_shape=(number_of_notes_per_song-1, data_dim),return_sequences=True))
model.add(Dropout(0.2))
model.add(LSTM(64))
model.add(Dropout(0.2))
model.add(Dense(data_dim, activation='softmax'))
model.compile(loss='categorical_crossentropy', optimizer='adam')
model.fit(X,y,batch_size=batch_size, epochs=epochs)
#predict on unseen data, expects tensors of shape (None, number_of_notes_per_song-1, data_dim)
model.predict(...)
请注意,这是有监督的机器学习问题,但是您的数据集没有标签。 我们可以通过将每首歌曲中的最后一个音符用作标签来解决此问题。 这样可以有效地将序列长度减少1个音符。
另请注意,如果您的歌曲中包含数百个音符,则最好以子序列的方式将它们提供给LSTM,而不是在歌曲结束之前重置状态。 这是Keras进行有状态训练的示例。
如果需要预测整首歌曲(而不只是下一首歌),则需要在所有LSTM
层中设置return_sequences=True
并在输出处使用TimeDistributed
密集层。
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.