【Python图像特征的音乐序列生成】关于小样本的一些思考
2024-09-07 10:00:42
我之前就注意到，深度学习和音乐结合，尤其是从乐理出发进行结合（而不是纯粹的进行音乐生成），是一个尚未被深度挖掘的全新领域。可想而知，这个方向符合我要求的数据肯定是要自己搜集了。
自己搜集的数据，在量上就已经输了，只是考虑到我们要做的任务并不复杂，准确的说只是一个分类器，再加一个LSTM而已。对于这个分类器，甚至不需要用卷积神经网络，可以使用一些其他的网络；而LSTM的样本本来就蕴含了很明确的规律，变化并不是很大。
那么我们就要开始思考，除了一些常规的训练方法，还有什么训练适合小样本数据吗？
1、数据扩增技术，例如图片的亮度改变、加噪声、翻转、随机裁切、缩放等制造出大量样本。
2、有人使用游戏来训练，例如使用GTA里面的场景来学习自动驾驶，当然这不属于严格的小样本。
3、使用生成模型，例如GAN来生成大量接近真实的样本来训练。苹果的第一篇AI论文simGAN就是这么做的。
4、经典的特征提取算法，再使用SVM等浅层网络来训练，需要的数据量就没有那么多。
来源：知乎
这几个思路都算还行，当然还有其他的思路。
5，贝叶斯规划学习（Bayesian Program Learning，BPL）
以及：
6，利用先验知识。
对于1，这是一个可行的办法，只是我们使用的数据集只是网络图片，处理网络图片比处理本地图片要困难。
对于2，这个不适合我们的问题。
对于3，问题同1.
对于4，这是一个很好的解决办法，我们实际上就是使用了一种广义的特征提取算法（提取了实体，再进行向量化）
对于5，看起来是一个很高深的知识……我现在还不是很懂。
对于6，这个同样不是很懂，得问一下师兄师姐才能得到答案。
我个人觉得，对于抽象了图片特征，转化成向量，这样就已经降低了对样本集本身的要求。对于网络结构的改进，我期望能尽量避免over-fitting。
最新文章
- js中substr,substring,slice。截取字符串的区别
- a 标签中加 onclick事件，根据事件中的校验情况来决定是否执行a标签的链接
- 一个简单的游戏开发框架（四.舞台Stage）
- Jenkins_获取源码编译并启动服务（一）
- BOOL in Object-C
- <<google软件测试之道>>读书笔记
- 窗口类（Window Class）概述
- [mysql] 一次sql耗时高引发报警的分析和处理
- C/C++ 位域
- 图像处理函数详解——im2bw
- c++学生成绩管理系统
- SSIS 数据流的连接和查找转换
- 超级素数幂 java
- 微信开发中access_token,js_ticket,时间戳，签名生成工具
- 解决Windows服务无法访问网络映射盘的问题
- mysql的表映射
- Win10 64位连接LJM1005打印机局域网访问
- Echarts Map 值域为小数的原因
- Docker实战-为镜像添加SSH服务
- 余玄相似度，TF-IDF