Wunderkind & Buttsong
Buttsong Buttsong
Привет, гений! Я тут что-то наваяла – биток получился такой, смесь джаза и электроники, ему бы сейчас какой-нибудь кодовый поворот. Ну что, сможешь вписать в него что-нибудь интересное?
Wunderkind Wunderkind
Слушай, а что если так: сгенерируем случайную последовательность свинг-нот, прогоним её через простую LSTM для предсказания следующей, а потом выведем в MIDI. В коде – просто засеваем PRNG джазовой аккордовой последовательностью, делаем цепь Маркова для ритма, и даём LSTM выучить несколько тактов – и готово, алгоритмический джаз!
Buttsong Buttsong
Конечно, джаззи! Лови этот быстрый набросок на Python, запусти и смотри, как разворачивается алгоритмический свинг: import numpy as np from tensorflow.keras.models import Sequential from tensorflow.keras.layers import LSTM, Dense import mido # 1. Засеял генератор случайных чисел джазовой последовательностью аккордов (Cmaj7, Am7, Dm7, G7) chords = [60, 62, 65, 67] # MIDI номера нот для тоник np.random.seed(42) # 2. Создай цепь Маркова для свингового ритма (трели + восьмые) rhythm_states = ['eighth', 'triplet'] transition_matrix = np.array([[0.7, 0.3], [0.4, 0.6]]) rhythms = [] state = 0 for _ in range(32): # 32 ноты rhythms.append(rhythm_states[state]) state = np.random.choice([0,1], p=transition_matrix[state]) # 3. Сгенерируй случайную последовательность свинговых нот notes = [] current_note = np.random.choice(chords) for r in rhythms: step = np.random.choice([-2, -1, 0, 1, 2]) current_note = max(48, min(72, current_note + step)) # держи в диапазоне фортепиано notes.append(current_note) # 4. Подготовь данные для LSTM X = np.array(notes[:-1]).reshape(-1,1) y = np.array(notes[1:]).reshape(-1,1) model = Sequential([LSTM(50, input_shape=(1,1)), Dense(1)]) model.compile(optimizer='adam', loss='mse') model.fit(X, y, epochs=20, verbose=0) # 5. Предскажи следующую ноту и выведи в MIDI next_note = int(model.predict(np.array([[notes[-1]]]))[0][0]) midi_file = mido.MidiFile() track = mido.MidiTrack() midi_file.tracks.append(track) track.append(mido.Message('note_on', note=next_note, velocity=64, time=0)) track.append(mido.Message('note_off', note=next_note, velocity=64, time=480)) midi_file.save('alg_jazz.mid') Запускай, импровизируй и дай алгоритму поработать!
Wunderkind Wunderkind
Забавная конструкция! Только нужно немного подправить: подшей LSTM вход до формы (batch, timesteps, features) с помощью reshape(-1,1,1), добавь ещё слой для ритма, чтобы он мог выучить синкопацию, и, может, увеличь количество эпох до 50, чтобы мелодии получились более насыщенными. Удачи в кодинге!
Buttsong Buttsong
Круто! Давай добавим изюминку и сделаем, чтобы LSTM чувствовала грув.
Wunderkind Wunderkind
Отличная идея – дать ритму свой голос! Суть в том, чтобы объединить два входа в одну модель. Вот быстрая реализация с использованием функционального API Keras, а затем – аккуратный вызов predict: ```python import numpy as np from tensorflow.keras.layers import Input, Embedding, LSTM, Dense, Concatenate from tensorflow.keras.models import Model import mido # 1‑3 … (как в твоем скрипте) … # Преобразуем ноты и ритмы в массивы X_notes = np.array(notes[:-1]).reshape(-1, 1) # shape (batch, timesteps) y = np.array(notes[1:]) # shape (batch,) rhythm_ids = np.array([{'eighth':1,'triplet':2}[r] for r in rhythms[:-1]]).reshape(-1,1) # 4. Функциональная модель note_in = Input(shape=(1,), name='note') rhythm_in = Input(shape=(1,), name='rhythm') # встраиваем ритм rh_emb = Embedding(input_dim=3, output_dim=4)(rhythm_in) # (batch, 1, 4) rh_flat = Concatenate()([note_in, rh_emb]) # (batch, 2, ?) # выравниваем перед LSTM – теперь он видит обе особенности flat = tf.keras.layers.Flatten()(rh_flat) # (batch, 8) lstm_out = LSTM(50)(tf.expand_dims(flat, axis=1)) # добавляем измерение времени output = Dense(1)(lstm_out) model = Model([note_in, rhythm_in], output) model.compile(optimizer='adam', loss='mse') model.fit([X_notes, rhythm_ids], y, epochs=50, verbose=0) # 5. Предсказываем следующую ноту next_note = int(model.predict([np.array([[notes[-1]]]], np.array([[{'eighth':1,'triplet':2}[rhythms[-1]]] )]))[0][0] # 6. Записываем MIDI (как у тебя и было) midi_file = mido.MidiFile() track = mido.MidiTrack(); midi_file.tracks.append(track) track.append(mido.Message('note_on', note=next_note, velocity=64, time=0)) track.append(mido.Message('note_off', note=next_note, velocity=64, time=480)) midi_file.save('alg_jazz.mid') ``` Теперь LSTM слышит и ходьбу нот, и свинговый паттерн. Закинь этот `.mid` в свою DAW – жди алгоритмичного грува! Удачи в хакинге.
Buttsong Buttsong
Обожаю эту двойную структуру! Теперь, когда у LSTM появился свой ритм-партнер, она выдаст просто потрясающие мелодии! Закинь файл в свою DAW, нажми play и дай этим алгоритмическим битам влиться в следующий джем. Продолжай рулить, джазовый гений!
Wunderkind Wunderkind
Вот и правильно — пусть ритм и высота звука сплетаются в танце. Закинь этот MIDI в твою DAW, увеличь темп и наблюдай, как развернётся алгоритмический свинг. Продолжай экспериментировать!
Buttsong Buttsong
Ну что, пора разогнать темп до 180, добавить баса, может, саксофонное соло, чтобы алгоритм заиграл по-настоящему! Что ещё, по-твоему, стоит добавить?