在工程师的手中，我们可以用机器学习搭建自己的音乐梦想！

多数伏在案前敲击键盘的程序员或许都曾憧憬：黑框眼镜、格子衬衫、脚踩凉拖背后的另一番模样的自己。

对于来自纽约的 Peter Sobot 而言，他的本职工作是通过机器学习系统为 Spotify 平台上的用户推荐音乐。但朝九晚五的工作之余，他还是一名鼓手兼音乐人，这也就意味着他需要经常创作各类电子音乐，当然，包括架子鼓等打击乐器在内。

近日，Peter Sobot 在其博客中写道：“他利用机器学习构建了一款应用程序，无论音频样本是底鼓、军鼓还是其他鼓，其识别准确率高达 87%。”

万万没想到，在工程师的手中，我们可以用机器学习搭建自己的音乐梦想！

需要了解的是，在现代电子音乐制作中，一般都会使用鼓声样片而不是真实的鼓手现场录音的旋律，而这些样片通常以商业性质出售，或者由音乐人免费在网上共享出来。不过，这样的样片却往往很难利用，问题就出在它们的标签和分类方式很难尽如人意。

“每家公司都试图通过创建自己的样片夹专有格式，如 Native Instrument 的 Battery 或 Kontakt 格式。两者都使用元数据，并允许用户通过各种标签浏览样片。但这些软件包非常昂贵，且需要学习其任务流程。” Peter 写道。

于是，这位被音乐耽误了的工程师决定利用机器学习来尝试解决这一问题。

例如，以下给出的一段音频该如何判断究竟是是底鼓、军鼓、踩镲，还是别的音乐样本？

如果是人类，可以毫不费力地区分出这两种声音，但计算机却需要大量的训练。在机器学习中，这通常被称为分类问题，即机器需要注入数据并对其进行分类。在这其中，通常会涉及特征提取阶段。

Peter 指出，人类识别不同的鼓音会从以下几个特征判别：

一是整体文件长度。因为小鼓的声音要比踢鼓的声音持续时间更长，所以比较容易测量。

二是整体响度。实际上，由于电子音乐的大多数样本都是标准化的，这意味着不同样片中的鼓声响度会被调整统一。相反，可以使用“最大”、“中等”、“最小”三种响度以更好地了解响度是如何随时间变化的。

三是频率。如底鼓样片的低频音段会有很多，因其直径长，造成鼓声小而低沉。为了让机器学习算法学会这一点，需要将不同频率范围内的声音响度特征分类。

四是音高。尽管鼓是一款打击乐器，但仍可以调到各种音高。为了量化这种调整，可以采用样本的基频来帮助算法区分低音和高音。

接下来，就开始训练数据了。

据了解，Peter 从数万个样本中选取了大概每种乐器 20~30 个样本量，基本分为以下三种类型：一是每种乐器的不同类型的样本，如声学鼓、电子鼓；二是不同来源的音乐样本；三是非鼓声的音乐样本。

然后，他列出了 100 个样本夹，将大概 50 兆字节的样本数据归置于 5 个单独文件夹中，分别是：底鼓、小鼓、军鼓、踩镲、以及其他。

1、执行特征提取

据了解，这个 Python 库是由音频分析师 Brain McFee 等人创建的 librosa 。

（附上GitHub上的代码链接：https://github.com/psobot/machine-learning-for-drummers）

2、将提取特征保存在JSON文件夹中

3、将特征提供给决策树进行训练

以决策树为例，这是一种常见的机器学习算法，并不涉及“神经网络”、“深度学习”的范畴。简言之，决策树是一种以递归方式学习每个特征的阈值并将数据分类的系统。

Peter 创建了一个决策树模型 classifier.py，其权重由导入的数据通过统计决定。以下为可视化模型：

每个新样本都传递到该决策树中，并对提供的特征进行由上到下的评估。例如，如果新样本为 average_eq_2_10 ≤ -56.77 （如图中的顶部块所示），则决策树将向左移动，然后检查其 fundamental_5 特征。

如果执行 classifier.py ，会呈现两个列表：一是训练准确率（模型预测训练期间出现过的样本的准确率），二是测试准确率（模型预测训练期间未出现过的样本的准确率）。

据了解，Peter 分别获得了 100% 和 87% 的准确率。

在他看来，13% 的错误率可能是过度拟合导致，因此，为了避免出现这种可能性，他采取了以下三种方式：

调整算法参数以使其不会太具体。

改变特征计算以便给算法注入更多数据，这部分数据或许对人类来说并不敏感，但在数学上有助于解决分类问题。

添加更多多样化的数据，以便决策树算法可以创建一种更通用的树，前提是现有数据并不完整。

最后，附上这位小哥哥个人照，