Práce se zabývá návrhem, učením a vyhodnocením rozdílných modelů, jejichž účelem bylo pro poskytnutou sekvenci tónů (melodii), vygenerovat harmonický doprovod, tvořený akordy.
Učení modelu bylo podmíněno tvorbou rozsáhlého datového souboru, složeného z melodických a harmonických dvojic. Ten byl vytvořený zpracováním velkého množství MIDI souborů, do formátu vhodného k reprezentaci neuronovými sítěmi.
Oba navržené modely byly založeny na hlubokých rekurentních neuronových sítích. První model byl diskriminativní logistický klasifikátor. Druhý, generativní model, byl založený na variačním autoenkodéru.
Dále je popsáno vyhodnocení obou modelů na nezávislých datech. To bylo prováděno pomocí testování shody mezi vygenerovanými a referenčními daty. Dále pak porovnáním vlastností melodie a vygenerovaného doprovodu.
Anotace v angličtině
The aim of this thesis was to design, learn a evaluate distinct models whose purpose was to generate harmonic accompaniment consisting of chords for given melody.
The learning was conditioned by the creation of a large dataset consisting of melodic and harmonic pairs. The dataset was created by processing a large ammount of MIDI files, into the format which is more natural for neural networks.
Both models were based on deep recurrent neural networks. First model was a discriminative logistic classifier. Second model was generative and based on a variational autoencoder.
The evaluation of both models was done on independent data. It was performed using measuring similarity between the generated and the reference data. Another accuracy metric consisted of measuring properties between melody and generated data.
Klíčová slova
neuronová síť, hudba
Klíčová slova v angličtině
neural network, music
Rozsah průvodní práce
42 s
Jazyk
CZ
Anotace
Práce se zabývá návrhem, učením a vyhodnocením rozdílných modelů, jejichž účelem bylo pro poskytnutou sekvenci tónů (melodii), vygenerovat harmonický doprovod, tvořený akordy.
Učení modelu bylo podmíněno tvorbou rozsáhlého datového souboru, složeného z melodických a harmonických dvojic. Ten byl vytvořený zpracováním velkého množství MIDI souborů, do formátu vhodného k reprezentaci neuronovými sítěmi.
Oba navržené modely byly založeny na hlubokých rekurentních neuronových sítích. První model byl diskriminativní logistický klasifikátor. Druhý, generativní model, byl založený na variačním autoenkodéru.
Dále je popsáno vyhodnocení obou modelů na nezávislých datech. To bylo prováděno pomocí testování shody mezi vygenerovanými a referenčními daty. Dále pak porovnáním vlastností melodie a vygenerovaného doprovodu.
Anotace v angličtině
The aim of this thesis was to design, learn a evaluate distinct models whose purpose was to generate harmonic accompaniment consisting of chords for given melody.
The learning was conditioned by the creation of a large dataset consisting of melodic and harmonic pairs. The dataset was created by processing a large ammount of MIDI files, into the format which is more natural for neural networks.
Both models were based on deep recurrent neural networks. First model was a discriminative logistic classifier. Second model was generative and based on a variational autoencoder.
The evaluation of both models was done on independent data. It was performed using measuring similarity between the generated and the reference data. Another accuracy metric consisted of measuring properties between melody and generated data.
Klíčová slova
neuronová síť, hudba
Klíčová slova v angličtině
neural network, music
Zásady pro vypracování
Seznamte se s problematikou moderních neuronových sítí, zejména tzv. hlubokých a rekurentních, a s jejich využitím pro automatické generování hudby.
Vytvořte co nejrozsáhlejší soubor trénovacích, vývojových a testovacích dat, která budou obsahovat digitálně zapsané jednohlasé melodie různých žánrů a k nim přiřazený harmonický doprovod (sled akordů).
Navrhněte a implementujte programy, které budou schopny se naučit přiřadit harmonický doprovod (akordy) k dané melodii. Vyzkoušejte a porovnejte více přístupů, zejména však využití rekurentních neuronových sítí.
Výsledný program bude schopen po zadání melodie (a případně žánru) vygenerovat a přehrát melodii i s harmonickým doprovodem.
Na nezávislých testovacích datech vyhodnoťte shodu mezi vygenerovaným a referenčním doprovodem.
Zásady pro vypracování
Seznamte se s problematikou moderních neuronových sítí, zejména tzv. hlubokých a rekurentních, a s jejich využitím pro automatické generování hudby.
Vytvořte co nejrozsáhlejší soubor trénovacích, vývojových a testovacích dat, která budou obsahovat digitálně zapsané jednohlasé melodie různých žánrů a k nim přiřazený harmonický doprovod (sled akordů).
Navrhněte a implementujte programy, které budou schopny se naučit přiřadit harmonický doprovod (akordy) k dané melodii. Vyzkoušejte a porovnejte více přístupů, zejména však využití rekurentních neuronových sítí.
Výsledný program bude schopen po zadání melodie (a případně žánru) vygenerovat a přehrát melodii i s harmonickým doprovodem.
Na nezávislých testovacích datech vyhodnoťte shodu mezi vygenerovaným a referenčním doprovodem.
Seznam doporučené literatury
\renewcommand{\labelenumi}{[\arabic{enumi}]}
Mařík V., Štěpánková O., Lažanský J. a kol.: Umělá inteligence (1), Academia, Praha, 1993.
Bishop Ch.: Pattern Recognition and Machine Learning. Springer, 2006.
Online kurz "Machine Learning", dostupný na https://www.coursera.org/learn/machine-learning
A Recurrent Neural Network Music Generation Tutorial dostupný na https://magenta.tensorflow.org/2016/06/10/recurrent-neural-network-generation-tutorial
Seznam doporučené literatury
\renewcommand{\labelenumi}{[\arabic{enumi}]}
Mařík V., Štěpánková O., Lažanský J. a kol.: Umělá inteligence (1), Academia, Praha, 1993.
Bishop Ch.: Pattern Recognition and Machine Learning. Springer, 2006.
Online kurz "Machine Learning", dostupný na https://www.coursera.org/learn/machine-learning
A Recurrent Neural Network Music Generation Tutorial dostupný na https://magenta.tensorflow.org/2016/06/10/recurrent-neural-network-generation-tutorial
Přílohy volně vložené
1 CD
Přílohy vázané v práci
-
Převzato z knihovny
Ano
Plný text práce
Přílohy
Posudek(y) oponenta
Hodnocení vedoucího
Záznam průběhu obhajoby
Průběh obhajoby je zveřejněn pouze přihlášenému uživateli.