Wunderkind & 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?
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!
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!
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!
Круто! Давай добавим изюминку и сделаем, чтобы LSTM чувствовала грув.
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.
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!
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!
Ну что, пора разогнать темп до 180, добавить баса, может, саксофонное соло, чтобы алгоритм заиграл по-настоящему! Что ещё, по-твоему, стоит добавить?