做网站一定要用服务器吗汕头百度网站推广
🎵 项目名称：AI音乐生成器（LSTM Melody Generator）
🧠 项目简介
这个项目的目标是：用 AI 来自动生成简单的旋律（MIDI格式），类似于基础的钢琴曲、背景音乐片段。
我们使用一个 LSTM（长短期记忆网络）模型，它能学习并预测音符的序列结构，实现自动作曲。
🔧 技术栈
技术 用途
Python 编程语言
TensorFlow / Keras 构建神经网络
music21 分析、处理和播放 MIDI 音乐
Streamlit 构建图形界面（可视化生成结果）
🎹 音乐格式说明
我们使用的是 MIDI 格式（.mid 文件），它记录的是音符序列而不是录音，适合用于训练模型和自动生成旋律。
✅ 项目流程
📥 Step 1：数据准备（音乐序列）
读取一个或多个 .mid 文件，并用 music21 将其转为音符/和弦的序列，然后用于训练。
⚙️ Step 2：模型训练（LSTM）
用 LSTM 模型来学习音符之间的关系，通过预测下一个音符生成完整旋律。
🧪 Step 3：生成旋律（Predict）
给一个起始片段，自动预测接下来的 50～200 个音符。
💾 Step 4：保存为 MIDI 文件
把生成的音符序列转换成音乐文件（.mid）并保存或播放。
📄 项目代码（打包为 Python 文件）
保存为：music_generator.py
pythonimport numpy as np
from music21 import converter, instrument, note, chord, stream
from keras.models import Sequential
from keras.layers import LSTM, Dense, Dropout
import glob
import pickle
Step 1: 提取音符
def get_notes():notes = []for file in glob.glob("midi_songs/*.mid"):midi = converter.parse(file)parts = instrument.partitionByInstrument(midi)notes_to_parse = parts.parts[0].recurse() if parts else midi.flat.notesfor element in notes_to_parse:if isinstance(element, note.Note):notes.append(str(element.pitch))elif isinstance(element, chord.Chord):notes.append('.'.join(str(n) for n in element.normalOrder))with open("data/notes.pkl", "wb") as f:pickle.dump(notes, f)return notes
Step 2: 准备训练序列
def prepare_sequences(notes, sequence_length=100):pitchnames = sorted(set(notes))note_to_int = {note: i for i, note in enumerate(pitchnames)}network_input = []network_output = []for i in range(len(notes) - sequence_length):seq_in = notes[i:i + sequence_length]seq_out = notes[i + sequence_length]network_input.append([note_to_int[n] for n in seq_in])network_output.append(note_to_int[seq_out])n_patterns = len(network_input)network_input = np.reshape(network_input, (n_patterns, sequence_length, 1)) / float(len(pitchnames))network_output = np.eye(len(pitchnames))[network_output]return network_input, network_output, note_to_int, pitchnames
Step 3: 创建模型
def create_network(network_input, output_dim):model = Sequential()model.add(LSTM(256, input_shape=(network_input.shape[1], network_input.shape[2]), return_sequences=True))model.add(Dropout(0.3))model.add(LSTM(256))model.add(Dense(128, activation='relu'))model.add(Dropout(0.3))model.add(Dense(output_dim, activation='softmax'))model.compile(loss='categorical_crossentropy', optimizer='adam')return model
Step 4: 生成音符
def generate_notes(model, network_input, pitchnames, note_to_int, num_notes=100):int_to_note = {num: note for note, num in note_to_int.items()}start = np.random.randint(0, len(network_input) - 1)pattern = network_input[start]prediction_output = []for note_index in range(num_notes):prediction_input = np.reshape(pattern, (1, len(pattern), 1))prediction = model.predict(prediction_input, verbose=0)[0]index = np.argmax(prediction)result = int_to_note[index]prediction_output.append(result)pattern = np.append(pattern, [[index / float(len(pitchnames))]], axis=0)pattern = pattern[1:]return prediction_output
Step 5: 将音符输出为 MIDI 文件
def create_midi(prediction_output, filename="output.mid"):offset = 0output_notes = []for pattern in prediction_output:if "." in pattern or pattern.isdigit():notes_in_chord = pattern.split(".")notes = [note.Note(int(n)) for n in notes_in_chord]chord_notes = chord.Chord(notes)chord_notes.offset = offsetoutput_notes.append(chord_notes)else:new_note = note.Note(pattern)new_note.offset = offsetoutput_notes.append(new_note)offset += 0.5midi_stream = stream.Stream(output_notes)midi_stream.write('midi', fp=filename)
▶️ 使用说明
下载一些 MIDI 文件放入 midi_songs/ 文件夹
创建 data/ 文件夹用于保存训练数据
执行以下代码：
pythonnotes = get_notes()
network_input, network_output, note_to_int, pitchnames = prepare_sequences(notes)
model = create_network(network_input, output_dim=len(pitchnames))
model.fit(network_input, network_output, epochs=20, batch_size=64)
生成音乐
prediction = generate_notes(model, network_input, pitchnames, note_to_int, num_notes=200)
create_midi(prediction)