除了方文山，用TA你也能帮周杰伦写歌词了

周杰伦几乎陪伴了每个90后的青春，那如果AI写杰伦风格的歌词会写成怎样呢？

首先当然我们需要准备杰伦的歌词，这里一共收录了他的十几张专辑，近5000多行歌词。

原文档格式：

第一步数据预处理

def preprocess(data):"""对文本中的字符进行替换，空格转换成逗号；换行变为句号。"""data = data.replace(' ', '，')data = data.replace('\n', '。')words = jieba.lcut(data, cut_all=False) # 全模式切词return words

处理后结果：

前10个词: ['想要', '有', '直升机', '。', '想要', '和', '你', '飞到', '宇宙', '去']

将处理完的数据写入内存并将文本转换完数字

# 构造词典及映射vocab = set(text)vocab_to_int = {w: idx for idx, w in enumerate(vocab)}int_to_vocab = {idx: w for idx, w in enumerate(vocab)}# 转换文本为整数int_text = [vocab_to_int[w] for w in text]

构建神经网络

a. 构建输入层

def get_inputs():inputs = tf.placeholder(tf.int32, [None, None], name='inputs')targets = tf.placeholder(tf.int32, [None, None], name='targets')learning_rate = tf.placeholder(tf.float32, name='learning_rate')return inputs, targets, learning_rate

b. 构建堆叠RNN单元

其中rnn_size指的是RNN隐层神经元个数


def get_init_cell(batch_size, rnn_size):lstm = tf.contrib.rnn.BasicLSTMCell(rnn_size)cell = tf.contrib.rnn.MultiRNNCell([lstm])initial_state = cell.zero_state(batch_size, tf.float32)initial_state = tf.identity(initial_state, 'initial_state')return cell, initial_state

c. Word Embedding

因为单词太多，所以需要进行embedding，模型中加入Embedding层来降低输入词的维度

def get_embed(input_data, vocab_size, embed_dim):embedding = tf.Variable(tf.random_uniform([vocab_size, embed_dim], -1, 1))embed = tf.nn.embedding_lookup(embedding, input_data)return embed

d. 构建神经网络，将RNN层与全连接层相连

其中cell为RNN单元； rnn_size: RNN隐层结点数量；input_data即input tensor；vocab_size：词汇表大小； embed_dim: 嵌入层大小

def build_nn(cell, rnn_size, input_data, vocab_size, embed_dim):embed = get_embed(input_data, vocab_size, embed_dim)outputs, final_state = build_rnn(cell, embed)logits = tf.contrib.layers.fully_connected(outputs, vocab_size, activation_fn=None)return logits, final_state

e. 构造batch

这里我们根据batch_size和seq_length分为len//(batch_size*seq_length)个batch，每个batch包含输入和对应的目标输出

def get_batches(int_text, batch_size, seq_length):'''构造batch'''batch = batch_size * seq_lengthn_batch = len(int_text) // batchint_text = np.array(int_text[:batch * n_batch]) # 保留能构成完整batch的数量int_text_targets = np.zeros_like(int_text)int_text_targets[:-1], int_text_targets[-1] = int_text[1:], int_text[0]# 切分x = np.split(int_text.reshape(batch_size, -1), n_batch, -1)y = np.split(int_text_targets.reshape(batch_size, -1), n_batch, -1)return np.stack((x, y), axis=1) # 组合

模型训练

from tensorflow.contrib import seq2seqtrain_graph = tf.Graph()with train_graph.as_default():vocab_size = len(int_to_vocab) # vocab_sizeinput_text, targets, lr = get_inputs() # 输入tensorinput_data_shape = tf.shape(input_text)# 初始化RNNcell, initial_state = get_init_cell(input_data_shape[0], rnn_size)logits, final_state = build_nn(cell, rnn_size, input_text, vocab_size, embed_dim)# 计算softmax层概率probs = tf.nn.softmax(logits, name='probs')# 损失函数cost = seq2seq.sequence_loss(logits,targets,tf.ones([input_data_shape[0], input_data_shape[1]]))# 优化函数optimizer = tf.train.AdamOptimizer(lr)# Gradient Clippinggradients = optimizer.compute_gradients(cost)capped_gradients = [(tf.clip_by_value(grad, -1., 1.), var) for grad, var in gradients if grad is not None]train_op = optimizer.apply_gradients(capped_gradients)

训练结果

Epoch  72 Batch   24/33   train_loss = 0.108Epoch  75 Batch   25/33   train_loss = 0.104Epoch  78 Batch   26/33   train_loss = 0.096Epoch  81 Batch   27/33   train_loss = 0.111Epoch  84 Batch   28/33   train_loss = 0.119Epoch  87 Batch   29/33   train_loss = 0.130Epoch  90 Batch   30/33   train_loss = 0.141Epoch  93 Batch   31/33   train_loss = 0.138Epoch  96 Batch   32/33   train_loss = 0.153Model Trained and Saved

train_loss还不错，不过可能过拟合了。

最后让我们加载模型，看看生成情况

 # 加载模型loader = tf.train.import_meta_graph(save_dir + '.meta')loader.restore(sess, save_dir)# 获取训练的结果参数input_text, initial_state, final_state, probs = get_tensors(loaded_graph)# Sentences generation setupgen_sentences = [prime_word]prev_state = sess.run(initial_state, {input_text: np.array([[1]])})# 生成句子for n in range(gen_length):dyn_input = [[vocab_to_int[word] for word in gen_sentences[-seq_length:]]]dyn_seq_length = len(dyn_input[0])# 预测probabilities, prev_state = sess.run([probs, final_state],{input_text: dyn_input, initial_state: prev_state})# 选择单词进行文本生成，用来以一定的概率生成下一个词pred_word = pick_word(probabilities[0][dyn_seq_length - 1], int_to_vocab)gen_sentences.append(pred_word)

哎哟不错哦！

最后的最后我还扩大了歌词库，这次引入了更多流行歌手，来看看效果吧。

好像更不错了！

如果你也喜欢杰伦，请点赞并分享生成的歌词。

点击这里→了解更多精彩内容

除了方文山，用TA你也能帮周杰伦写歌词了相关推荐

薄盒 | 方文山原创数字潮玩《庞克猫史汀》系列正在展出中
文章来源于薄盒 2021 年 11 月 21 日至 2022 年 2 月 20 日,著名词人方文山首次跨界举办艺术创作巡回个展<方道文山流>在北京索卡艺术中心进行展出. 本次展览展出内容包 ...
不用叫方文山！AI 能拯救杰伦的土味歌词
硅谷Live / 实地探访 / 热点探秘 / 深度探讨前两天,当小探第一次听到周杰伦的<不爱我就拉倒>时,虽然做好了心理准备,但还是被歌词里愉快的乡土气息给震到了: "哥练的胸 ...
东风破 -词：方文山曲：周杰伦
东风破 -词:方文山曲:周杰伦东风破一盏离愁孤单伫立在窗口我在门後假装你人还没走旧地如重游月圆更寂寞夜半清醒的烛火不忍苛责我 *一壶漂泊浪迹天涯难入喉你走之後酒暖回忆思念瘦水向东流 ...
东风破苏轼喜欢的词，方文山的歌词好象就是这样借过来的。
一盏离愁孤单窗前自鬓头奄奄门后人未走月圆寂寞旧地重游夜半清醒泪烛火空留一壶漂泊浪迹天涯难入喉君去后酒暖思谁瘦水向东流三春如梦向谁偷花开却错谁家琵琶东风破岁月流离不解时候 ...
进军NFT？方文山×周杰伦联名款公仔今日发售，将引入NFT防伪认证！
进军NFT?方文山×周杰伦联名款公仔今日发售,将引入NFT防伪认证! 线上加密防伪认证NFT 索卡艺术宣布将推出方文山与周杰伦联名款<庞克猫史汀>(青花瓷款)收藏品公仔.据悉,本款公仔以周 ...
方文山、周杰伦那些漂亮得让人落泪的句子……
引导语:大家还记得当年的周杰伦是如何成名吗?凭借着方文山,两个人的合作亲密无间,也成就了现在如此多的美句,一起来欣赏下. 1.最美的不是下雨天,是曾与你躲过雨的屋檐.--<不能说的秘密> ...
潮玩华猫来袭丨继周杰伦联名款后，方文山携上链购再推“华流”顶流联名款公仔数藏
作为华流音乐泰斗大师级人物--方文山,将他对东方文学的钻研和喜爱研磨成艺术作品,于2021年年底跨界推出<庞克猫史汀>潮玩公仔,首款便推出"方文山X周杰伦"的联名款&q ...
献给母亲节的歌 - 江蕙 -《落雨声》,方文山词,周杰伦曲
江蕙 -<落雨声>,方文山词,周杰伦曲 - [老掉牙] << 小红莓乐队 The Cranberries | 首页 | <忍者乱太郎>片头曲 >> ...
周杰伦《青花瓷》歌词欣赏－－－－－方文山作词，周杰伦谱曲
我一向不是一个非常崇拜某个人的音乐的人,只是有喜欢的歌就可以,不会盲目的崇拜某个人,只是喜欢某一首歌,当然还会看一下是谁的词和曲!周杰伦大部分的词都是方文山写的,而这首新歌< 青花瓷 >显 ...
人工智能VS方文山：究竟谁能更胜一筹
昨晚周杰伦的新歌<红颜如霜>一出来,就以优美的中国风歌词和动人的旋律获得了无数网友的好评,其中还是不少网友称方文山把最好的歌词都给了周杰伦等等.方文山作为周杰伦的御用词人,自然才华和文笔堪 ...

除了方文山，用TA你也能帮周杰伦写歌词了

除了方文山，用TA你也能帮周杰伦写歌词了相关推荐

最新文章

热门文章