28、生成音乐与视觉艺术及生成对抗网络构建

生成音乐与视觉艺术及生成对抗网络构建

一、生成音乐与视觉艺术

（一）GAN 生成图像原理

在生成图像方面，GAN（生成对抗网络）由生成器（Generator）和判别器（Discriminator）组成。生成器根据输入创建图像，图像需保留原始内容，并具有适当风格，以产生难以与原作区分的模仿作品。判别器则判断生成器的输出是否足够逼真，若不是，会向生成器反馈问题。

为使这一机制生效，需训练两个模型，生成器和判别器协同工作。生成器创建新样本，判别器指出每个样本的问题，二者不断交互，直至模仿作品达到特定的完美程度。与 CNN 相比，GAN 方法自动化程度更高，产生良好结果的概率更大，但实现耗时久，处理要求高。因此，若追求“足够好”的结果，CNN 方法通常更佳。可参考 此示例 了解 GAN 方法。

（二）使用网络创作音乐

虽然主要关注视觉艺术，但相同技术也适用于音乐。可以使用 CNN 和 GAN 根据特定风格创作音乐。计算机将音乐音调转化为数字，如同处理像素数字一样，本身并无区别。然而，深度学习能检测到差异，音乐和视觉艺术虽使用相同算法，但设置和训练不同。有观点认为音乐训练比艺术训练更难，这部分困难源于人类对音乐审美的差异，人类难以定义令人愉悦的音乐，即使喜欢特定风格或艺术家的人，也并非喜欢其所有作品。

在某些方面，使用 AI 创作音乐的工具比视觉艺术工具更规范、成熟。虽不意味着音乐创作工具总能产