Recurrent neural network model for music generation

The paper considers the possibility of generating musical compositions using recurrent neural networks. Two approaches to the generation of musical works are proposed and considered, namely using the method of notes and the method of chords. The research of both methods was carried out, and their ad...

Full description

Saved in:

Bibliographic Details
Date:	2022
Main Authors:	Komarskiy, O.C., Doroshenko, А.Yu.
Format:	Article
Language:	Ukrainian
Published:	PROBLEMS IN PROGRAMMING 2022
Subjects:	music generation machine learning recurrent neural networks LSTM RNN UDC 004.89
Online Access:	https://pp.isofts.kiev.ua/index.php/ojs1/article/view/491
Tags:	Add Tag No Tags, Be the first to tag this record!
Journal Title:	Problems in programming
Download file:

Institution

Problems in programming

_version_	1859502150081576960
author	Komarskiy, O.C. Doroshenko, А.Yu.
author_facet	Komarskiy, O.C. Doroshenko, А.Yu.
author_sort	Komarskiy, O.C.
baseUrl_str	https://pp.isofts.kiev.ua/index.php/ojs1/oai
collection	OJS
datestamp_date	2022-07-12T19:43:02Z
description	The paper considers the possibility of generating musical compositions using recurrent neural networks. Two approaches to the generation of musical works are proposed and considered, namely using the method of notes and the method of chords. The research of both methods was carried out, and their advantages and disadvantages were formulated. As a result it was decided to use the method of notes as the main one for music generation. The process of searching and processing data for learning a music neural network is describedin detail, the algorithm for converting data from MIDI format to your own text for use in a neural network is considered in detail. The learning process of the neural network was also described, and the learning speed was compared using GPUs and CPUs, as a result of which it was determined that learningtakes place faster using a graphics processor, in some cases 5.5 times. As a result of testing the operation of the neural network, it was determined that the optimal characteristics of the recurrent neural network for music generation is a network consisting of 4 LSTM layers, each with a dimension of 600 neurons. As music generation cannot be assessed by objective characteristics, a special focus group survey was conducted to assess quality. It shows that music generated by a neural network received almost the same marks as music. written by a man. It should be considered as a great result. It was also determined that it was difficult for the survey participants to correctly identify the author of a musical work, since they correctly identified the authors in only 58% of cases. The proposed solution allows to easily generate musical compositions without human intervention. Problems in programming 2022; 1: 87-93
first_indexed	2025-07-17T09:40:46Z
format	Article
fulltext	87 Моделі та методи машинного навчання Вступ Машинне навчання покращує бага- то аспектів нашого повсякденного життя, як очевидних, так і непомітних. Штучний інтелект має велику вагу у таких речах, як системи рекомендацій в різних медіа-сер- вісах, розумні будинки, комп’ютерний зір, системи виявлення підозрілих дій тощо. І, незважаючи на те, що досі триває дис- кусія навколо нейронних мереж як чорної скриньки – існує величезний потенціал для їх використання в різних сферах людської діяльності, включно із медициною, вірту- альними помічниками, електронною ко- мерцією та сферою фінансів. Водночас не менш важливий та ці- кавий напрям, в якому машинне навчання може відіграти свою роль – це творчість. Комп’ютерна творчість є дійсно захоплю- ючою сферою, в якій штучний інтелект перетинається з мистецтвом, а метою є розроблення систем, які здатні моделюва- ти, вдосконалювати або розуміти творчість людини. Генерація музики є найбільш аб- страктним напрямком творчої діяльності, оскільки на відміну від написання книжок, картин або віршів, музика не прив’язана до контексту оточуючого нас світу. Водночас запис музики може бути представлений у вигляді дуже простого символьного фор- мату даних без втрати змісту. Наше життя тісно повязане з музи- кою. Ми отримуємо задоволення від про- слуховування музичних композицій, а також використовуємо її у відеороликах, кіно, презентаціях та рекламі. Тому здат- ністьь генерувати музику високої якості є значним кроком у житті людини. Проте досі немає відповіді на питання, чому одну послідовність нот люди сприймають як му- зику, а іншу ні. Це свідчить про те, що в музиці існують деякі інтуїтивно зрозумілі всім закономірності, які досі не вдалося математично строго сформулювати. Існують два основні напрями роз- робки в сфері генерації музики. Перший вирішує задачу генерації музичних компо- зицій без участі людини. Другий – спрямо- ваний на створення програмного забезпе- чення, яке допомагає людині створювати власні композиції. Розглядаючи деталь- ніше тематику генеративного мистецтва, можна дійти висновку, що програмне за- безпечення для автоматичної генерації му- зичних композицій є дуже перспективною розробкою. Основною метою даної роботи є створення системи для автоматичної гене- рації музики, використовуючи рекурентні нейронні мережі. 1.Генеративне мистецтво Автоматична генерація музики – це процес створення музичного твору з міні- мальним втручанням людини. Алгоритмічний підхід до створен- ня музики існує вже кілька століть, почи- наючи з Гвідо д’Ареццо, який 1024 року УДК 004.89 https://doi.org/10.15407/pp.2022.01.87 О.С. Комарський, А.Ю. Дорошенко МОДЕЛЬ РЕКУРЕНТНОЇ НЕЙРОННОЇ МЕРЕЖІ ДЛЯ ГЕНЕРАЦІЇ МУЗИКИ У роботі розглядається можливість генерації музичних композицій, використовуючи рекурентні не- йронні мережі. Запропоновано та розглянуто два методи генерації музичних творів – на рівні нот та на рівні акордів. Проведено дослідження обох методів та визначено їх переваги та недоліки. Далі для розробки обрано метод генерації на рівні нот, для якого детально описано процес пошуку та об- робки даних для навчання генерації музики за допомогою рекурентної нейронної мережі. Це дозволяє автоматизувати генерацію музичних творів без втручання людини. Для побудованої моделі виконано програмну реалізацію запропонованого рішення, проведені експерименти та їх верифікація за участю фокус-групи людей щодо визначення авторства створеної музики – людина чи комп’ютер. Ключові слова: генерація музики, машинне навчання, рекурентні нейронні мережі, LSTM, RNN © О.С. Комарський, А.Ю. Дорошенко, 2022 ISSN 1727-4907. Проблеми програмування. 2022. № 1 88 Моделі та методи машинного навчання винайшов перший алгоритм для складан- ня музики [1]. Не зважаючи на те, що в докомп’ютерну епоху існувало кілька під- ходів до алгоритмічного створення музи- ки, найяскравіші результати були отримані лише з появою комп’ютерів. Саме через величезні можливості, які пропонує обчис- лювальна техніка, алгоритмічні музичні композиції почали розквітати від початку 1950-х років та до сьогодні [2]. 2.Модель нейронної мережі Для побудови якісної нейронної ме- режі необхідно обрати відповідну базову архітектуру нейронної мережі [3]. Було вирішено обрати архітектуру AWD-LSTM, оскільки ця модель часто використовуєть- ся для побудови нейронних мереж, які пра- цюють у напрямку мовних досліджень [4]. Хоча багато моделей для генерації музики використовують невеликй діапа- зон нот, у даній реалізації модель вико- ристовує діапазон із 62 нот (цей діапазон охоплює більшість класичної музики) та дозволяє відтворювати будь-яку кількість нот та інструментів одночасно. Для на- вчання було використано великий датасет MIDI файлів із класичною музикою. Але, оскільки в моделі немає ніяких специфіч- них налаштувань для класичної музики, то можна використовувати датасет будь-якого музичного жанру. 3.Методи нот та акордів Одним із можливих рішень для гене- рації музики – щоразу запитувати модель, чи грати їй зараз цю ноту для кожної з 88 клавіш фортепіано на кожному музичному кроці. Однак, оскільки кожна окрема нота здебільшого мовчить, то для нейронної ме- режі важко було б навчитись передбачати таку ситуацію для нот. Тому варто розгля- дати два можливі способи для рішення цієї проблеми. Мовні нейронні мережі часто пра- цюють на рівні символів, або на рівні слів. Так само для генерації музики, тут дослі- джується два аналогічних рівня – нот та акордів. Акордом вважається кожна комбі- нація нот, які будь-коли зустрічалися в му- зичній композиції. Тобто сприймати акорд можна так само, як слова. Це означає, що можливо запитати нейронну мережу, яким буде наступний акорд (слово), надавши їй попередньої послідовності акордів (ре- чення). Потрібно розуміти, що мається на увазі акорд, як будь-яка комбінація нот, що відтворюються одночасно. Не обов’язково це мають бути традиційні музичні акорди. Для методу, який використовує ноти, вважаємо, що початок та кінець кожної ноти є різними словами. Наприклад «p28» та «endp28» у текстовому форматі MIDI є різними словами, та будуть використовува- тись для початку та зупинки ноти №28. В обох методах було використано дещо зменшений діапазон нот – 62 ноти замість повних 88 на фортепіано. Ноти які виходили з цього діапазону, було перемі- щено вниз або вгору на октаву. В результаті експериментів були ви- значені характеристики кожного з двох ме- тодів. Характеристика методу акордів: 1. Нейронна мережа добре генерує довгі музичні патерни, але не може вийти за межі навчальних даних та згенерувати щось нове. 2. Зазвичай для прийняття рішення щодо наступного акорду, найефективніше обирати найбільш імовірний прогноз на кожному часовому відрізку. 3. В результатах зустрічається див- ний ефект, коли час від часу музична ком- позиція перестрибує на іншу неочікувану ноту, але потім одразу продо-вжує грати мелодію в звичайному ритмі. Характеристика методу нот: 1. Нейронна мережа створює гармо- нійні ритмічні малюнки, які можуть легко переходити один в другий. 2. Легко обробляє параметри трива- лості натискання ноти, через що мелодія здається більш інтуїтивно зрозумілою для людини. 3. Зазвичай для прийняття рішення щодо наступної ноти найефективніше чер- гуват и між собою три найбільш імовірні прогнози на кожному часовому відрізку. Отже, в результаті цих порівнянь було прийнято рішення про використання методу нот як основного для генерації му- зики в системі. 89 Моделі та методи машинного навчання 4.Навчання нейронної мережі Навчання моделі нейронної мережі потребує багато обчислювальних ресурсів та велику кількість якісних навчальних да- них. Але, чим більше даних буде викорис- товуватися, тим більше часу та обчислю- вальної потужності необхідно моделі для завершення навчання [5]. Для прискорення навчання були використані хмарні обчислення за допо- могою ресурсів графічного процесора, оскільки такий підхід забезпечує більшу швидкість опрацювання даних, ніж цен- тральний процесор. Це видно з результа- тів порівняння, зображених на рис. 1. Для порівняння були використані центральний процесор i7 8550 U на 4 ядра, та графічний процесор Geforce MX150 з 2 гігабайтами оперативної пам’яті. Як видно з діаграми, із зростанням кількості даних зростала швидкість їх обробки, особливо викорис- товуючи графічний процесор, який за мак- симальної кількості даних був швидшим, аніж центральний процесор у 5,5 разів. Вибір даних для тренування є важ- ливою складовою будь-якої нейронної ме- режі, оскільки вона отримує всі свої «зна- ння» про музику лише з навчальних даних. Тому, чим більше буде даних для навчання, та чим якісніше вони будуть, тим кращими будуть результати, згенеровані нейронною мережею. Також необхідно мати дані для тестування нейронної мережі, які повинні відрізнятися від даних для тренування, щоб визначати, чи змогла модель абстрагуватися від даних тренування та скласти нові мело- дії, а не просто відтворювати дані. До тренувальних даних є дві ви- моги. Перша – музичні композиції мають бути в одному жанрі та написані людьми, а не іншою нейронною мережею. Друга вимога – мелодії мають приємно звучати. Оскільки зазвичай різні жанри музики для людей звучать по-різному, адже залежать від їхнього смаку, то було вирішено обрати для навчання класичну музику як найбільш нейтральний жанр. До того ж класична му- зика – це найдоступніший музичний жанр у форматі MIDI. Для збору навчального датасету було написано декілька скриптів, за допо- могою яких були зібрані файли з найбіль- шого сайту агрегатора класичної музики – «Classical Piano Midi Page», де представ- лені композиції таких композиторів як Мо- царт, Бах, Бетховен та багато інших. Для навчання моделі необхідно було перетворити зібрані MIDI-файли у формат, який зможе зрозуміти нейрон- на мережа. Файли MIDI надають інфор- мацію про час початку гри та зупинки на кожну ноту, а також інформацію про музичний інструмент, значення гучності та темпу гри [6]. Але, оскільки цей фор- мат має специфічні позначення, які не дуже зручно прогнозувати, було написа- но функцію, котраможе перекодувати їх до зручнішого текстового формату, який може зрозуміти модель нейронної мере- жі. Також на виході нейронної мережі Рисунок 1. Порівняння швидкості навчання нейронної мережі з використанням CPU та GPU 90 Моделі та методи машинного навчання музичні композиції подаються спочатку у вигляді власного текстового формату, а далі кодуються в формати MIDI та MP3 (рис. 2). Рисунок 2. Блок-схема алгоритму перетворення формату MIDI у текст. 5.Результати Під час тестування роботи нейрон- ної мережі було досліджено вплив зміни деяких параметрів нейронної мережі на функцію втрати [4]. Експериментальним шляхом було ви- значено, що оптимальними характеристика- ми рекурентної нейронної мережі для гене- рації музики є мережа, яка складається з 4 LSTM шарів [4], кожен розмірністю по 600 нейронів зі значенням показника виключен- ня (dropout) = 1 та кількістю епох 150. Фінальний графік функції втрати нейронної мережі з обраними характерис- тиками зображено на рис. 3. 6.Оцінка якості нейронної мережі Через те, що основною задачею є генерація музичних творів, то її якість не можна оцінити за об’єктивними харак- теристиками, оскільки оцінка краси, або естетичної цінності у творах мистецтва зводиться до індивідуальної суб’єктивної думки людей. Для цього було розроблено спеці- альне опитування, метою якого є оцінка наступних цілей, поставлених перед ре- зультатами генерації: – музичні композиції повинні приємно та гармонійно звучати для людського вуха; Рисунок 3. Графік функції втрати для фінальної моделі нейронної мережі. 91 Моделі та методи машинного навчання – при прослуховуванні не має бути зрозумілим, чи мелодію було згенеровано нейронною мережею, чи людиною. Для суб’єктивної оцінки якості му- зики згенерованої нейронною мережею, було підготовлено опитування, створене на платформі Google Forms. Тест було розро- блено так, щоб можна було чітко зробити висновки та відповісти на два основних за- питання про якість музичних композицій. На початку проходження тесту для більш чіткої обробки результатів визна- чається група, до якої належить людина (фокус-група), яка буде проходити тест. Для відповіді було запропоновано декілька варіантів основних груп, що мають зміст у рамках тесту. Наступним етапом є безпосереднє опитування щодо якості музичних компо- зицій. Для цього спочатку надається мож- ливість прослухати композицію, після чого пропонується відповісти на два запитання. Перше запитання стосується якості звуку, тобто суб’єктивної оцінки приємності зву- чання за шкалою від одного до десяти, де 1 – погано, 10 – дуже добре. Друге запитан- ня стосується визначення автора твору – комп’ютер або людина. Усього 6 подібних етапів для 6 музичних творів. Кожна музична композиція, яка на- ведена в опитуванні, – це, або згенерована музика нейронною мережею, що створена в рамках цієї роботи, або одна з компози- цій написаних людиною, яка була взята з навчального набору даних. Також на початку опитування учас- никам повідомляється, що принаймні одна з композицій була створена комп’ютером, а також принаймні одна є справжнім музич- ним твором, написаним одним із відомих композиторів. Отже, опитування є також своєрід- ним «музичним тестом Тюринга», оскіль- ки фокус-група одночасно оцінює якість творів, а також визначає, створений він людиною чи комп’ютером. Опитування проводилось протягом тижня, за цей час у ньому взяли участь 55 людей. Опитування відбувалося в місцях, де потенційно можуть знаходитися люди з цільових груп, тобто в різних музичних спільнотах. Переважно це були люди, які по- любляють слухати музику (43,6%), але не мають досвіду гри на музичних інстру- ментах. На другому місці за кількістю лю- дей у фокус-групі були ті, хто мають пев- ний досвід гри на інструментах (32,7%). Решт - це учасники з музичною освітою (16,4%), або професійні музиканти, які постійно мають справу з музикою у робо- ті (7,3%). Детальний розподіл учасників опитування за музичним досвідом можна побачити на рис. 4. Також були підраховані середні зна- чення оцінки якості музичних композицій Рисунок 4. Розподіл учасників опитування за їх музичним досвідом. 92 Моделі та методи машинного навчання за результатами опитування, які наведені на рис. 5. Отже, як бачимо з результатів опи- тування, загальна середня оцінка за трьома композиціями майже однакова, але дещо більша у творів написаних людиною. Про- те, оскільки середні результати по кожній композиції майже на одному рівні, це озна- чає, що мелодії, згенеровані нейронною мережею є якісними, оскільки подобають- ся фокус-групі так само, як і композиції, написані людиною. Також жодна з компо- зицій не отримала оцінки нижче 3. Наступним етапом обробки резуль- татів опитування є підрахунок відповідей щодо визначення авторства композиції – людина чи комп’ютер. На рис. 6 бачимо зведену діаграму, яка показує у відсотках випадки, коли учасники опитування вірно або невірно визначали автора. Отож, учасникам опитування було важко правильно визначити, хто є насправ- ді автором прослуханих музичних творів – людина чи нейронна мережа. Згідно з діаграмою, на якій зведені результати опи- тування на це запитання, фокус-групі вда- лося правильно відповісти лише в 58,2 % відповідей, що трохи краще, ніж звичай- ний шанс випадковості на запитання з дво- ма варіантами відповіді (50%). Також ціка- Рисунок 5. Середні показники якості музичних композицій за результатами опитування. Рисунок 6. Результати опитування на питання про визначення автора музичного твору. 93 Моделі та методи машинного навчання во, що 27,3 % опитуваних хибно вважали, музичний твір, створеним людиною, тоді як насправді він був згенерований нашою системою. Це свідчить про те, що учасни- кам було важко відрізнити згенеровані тво- ри від написаних композиторами. Висновки У роботі була розглянута й реа- лізована можливість використання ре- курентних нейронних мереж для задачі генеративного мистецтва. Були запропо- новані та розглянуті два підходи, які ви- користовують метод нот та метод акордів. У результаті досліджень основним був обраний метод нот, оскільки результатом його роботи були цікавіші та гармонійні- ші музичні композиції, на відміну від ре- зультатів, які вдалось отримати методом акордів. Також було здійснено порівняння швидкості навчання нейронної мережі з використанням центрального та графічно- го процесорів, за результатами якого гра- фічний процесор обробляв дані швидше за центральний у 5,5 разів. Для оцінки якості генерації музич- них творів було проведено опитування фокус-групи, яке показало, що музика зге- нерована нейронною мережею, отримала майже такі ж оцінки, як і музика, написана людиною, що є відмінним результатом. Та- кож було встановлено, що учасникам опи- тування було важко правильно визначати автора музичного твору, адже вони вірно визначали авторів лише в 58 % випадків. References 1. Nierhaus G. (2009) Algorithmic Composition - Paradigms of Music Generation. Springer, Vienna. pp. 7-66. 2. Wasserman P. (1992) Neural Computing : Theory and Practice. pp. 180-185. 3. Callan R. (2001) The Essence of Neural Networks. pp. 50-65. 4. Nielsen A. (2015) Neural Networks and Deep Learning. p. 111. 5. Kandel E., Schwartz J., Jessell T. (2000) Principles of Neural Science 4th Edition. pp. 283-302. 6. Introduction to MIDI and Computer Music. URL:https://cecm.indiana.edu/361/midi.html Отримано: 17.02.2022 Про авторів: Комарський Олександр Сергійович, магістрант Національного технічного універсистету України «КПІ імені Ігоря Сікорського». https://orcid.org/0000-0002-1005-6863 Дорошенко Анатолій Юхимович, доктор фізико-математичних наук, професор кафедри інформаційних систем та технологій Національного технічного універсистету України «КПІ імені Ігоря Сікорського» та завідувач відділу теорії комп’ютерних обчислень Інституту програмних систем НАН України. Кількість наукових публікацій в українських виданнях – понад 190. Кількість наукових публікацій в зарубіжних виданнях – понад 80. Індекс Хірша – 6. http://orcid.org/0000-0002-8435-1451 Місце роботи авторів: Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського», проспект Перемоги 37 та Інститут програмних систем НАН України, 03187, м. Київ-187, проспект Академіка Глушкова, 40. Тел.: (044) 526 3559 E-mail: komarskiy33@gmail.com, doroshenkoanatoliy2@gmail.com
id	pp_isofts_kiev_ua-article-491
institution	Problems in programming
keywords_txt_mv	keywords
language	Ukrainian
last_indexed	2025-07-17T09:40:46Z
publishDate	2022
publisher	PROBLEMS IN PROGRAMMING
record_format	ojs
resource_txt_mv	ppisoftskievua/52/772a086a65243b52da1b638130caa852.pdf
spelling	pp_isofts_kiev_ua-article-4912022-07-12T19:43:02Z Recurrent neural network model for music generation Модель рекурентної нейронної мережі для генерації музики Komarskiy, O.C. Doroshenko, А.Yu. music generation; machine learning; recurrent neural networks; LSTM; RNN UDC 004.89 генерація музики; машинне навчання; рекурентні нейронні мережі; LSTM; RNN УДК 004.89 The paper considers the possibility of generating musical compositions using recurrent neural networks. Two approaches to the generation of musical works are proposed and considered, namely using the method of notes and the method of chords. The research of both methods was carried out, and their advantages and disadvantages were formulated. As a result it was decided to use the method of notes as the main one for music generation. The process of searching and processing data for learning a music neural network is describedin detail, the algorithm for converting data from MIDI format to your own text for use in a neural network is considered in detail. The learning process of the neural network was also described, and the learning speed was compared using GPUs and CPUs, as a result of which it was determined that learningtakes place faster using a graphics processor, in some cases 5.5 times. As a result of testing the operation of the neural network, it was determined that the optimal characteristics of the recurrent neural network for music generation is a network consisting of 4 LSTM layers, each with a dimension of 600 neurons. As music generation cannot be assessed by objective characteristics, a special focus group survey was conducted to assess quality. It shows that music generated by a neural network received almost the same marks as music. written by a man. It should be considered as a great result. It was also determined that it was difficult for the survey participants to correctly identify the author of a musical work, since they correctly identified the authors in only 58% of cases. The proposed solution allows to easily generate musical compositions without human intervention. Problems in programming 2022; 1: 87-93 У роботі розглядається можливість генерації музичних композицій, використовуючи рекурентні не- йронні мережі. Запропоновано та розглянуто два методи генерації музичних творів – на рівні нот та на рівні акордів. Проведено дослідження обох методів та визначено їх переваги та недоліки. Далі для розробки обрано метод генерації на рівні нот, для якого детально описано процес пошуку та об- робки даних для навчання генерації музики за допомогою рекурентної нейронної мережі. Це дозволяє автоматизувати генерацію музичних творів без втручання людини. Для побудованої моделі виконано програмну реалізацію запропонованого рішення, проведені експерименти та їх верифікація за участю фокус-групи людей щодо визначення авторства створеної музики – людина чи комп’ютер.Problems in programming 2022; 1: 87-93 PROBLEMS IN PROGRAMMING ПРОБЛЕМЫ ПРОГРАММИРОВАНИЯ ПРОБЛЕМИ ПРОГРАМУВАННЯ 2022-05-30 Article Article application/pdf https://pp.isofts.kiev.ua/index.php/ojs1/article/view/491 10.15407/pp2022.01.087 PROBLEMS IN PROGRAMMING; No 1 (2022); 087-093 ПРОБЛЕМЫ ПРОГРАММИРОВАНИЯ; No 1 (2022); 087-093 ПРОБЛЕМИ ПРОГРАМУВАННЯ; No 1 (2022); 087-093 1727-4907 10.15407/pp2022.01 uk https://pp.isofts.kiev.ua/index.php/ojs1/article/view/491/490 Copyright (c) 2022 PROBLEMS IN PROGRAMMING
spellingShingle	music generation machine learning recurrent neural networks LSTM RNN UDC 004.89 Komarskiy, O.C. Doroshenko, А.Yu. Recurrent neural network model for music generation
title	Recurrent neural network model for music generation
title_alt	Модель рекурентної нейронної мережі для генерації музики
title_full	Recurrent neural network model for music generation
title_fullStr	Recurrent neural network model for music generation
title_full_unstemmed	Recurrent neural network model for music generation
title_short	Recurrent neural network model for music generation
title_sort	recurrent neural network model for music generation
topic	music generation machine learning recurrent neural networks LSTM RNN UDC 004.89
topic_facet	music generation machine learning recurrent neural networks LSTM RNN UDC 004.89 генерація музики машинне навчання рекурентні нейронні мережі LSTM RNN УДК 004.89
url	https://pp.isofts.kiev.ua/index.php/ojs1/article/view/491
work_keys_str_mv	AT komarskiyoc recurrentneuralnetworkmodelformusicgeneration AT doroshenkoayu recurrentneuralnetworkmodelformusicgeneration AT komarskiyoc modelʹrekurentnoínejronnoímerežídlâgeneracíímuziki AT doroshenkoayu modelʹrekurentnoínejronnoímerežídlâgeneracíímuziki

Recurrent neural network model for music generation

Institution

Similar Items