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

生成音乐与视觉艺术

在生成视觉艺术方面，有一种方法涉及两个关键部分：生成器和判别器。
- 生成器 ：依据你提供的输入创建图像。生成的图像需保留原始内容，同时具备适当风格，以产生难以与原作区分的模仿作品。
- 判别器 ：判断生成器的输出是否逼真到能以假乱真。若不能，判别器会反馈给生成器，指出模仿作品存在的问题。

为使这一机制生效，需训练两个模型，一个用于生成器，另一个用于判别器。二者协同工作，生成器创造新样本，判别器指出每个样本的问题。这一过程在生成器和判别器之间反复进行，直至模仿作品达到特定的完美程度。

与使用卷积神经网络（CNN）相比，这种方法的优势在于自动化程度更高，获得良好结果的概率更大。但缺点是实现该方法需要大量时间，且处理要求也高得多。因此，若想获得足够好的结果，使用CNN方法通常更佳。你可在 此链接 查看生成对抗网络（GAN）方法的示例。

虽然本章主要聚焦视觉艺术，因为其细微变化易于判断，但相同技术也适用于音乐创作。可以使用CNN和GAN根据特定风格创作音乐。计算机既看不到视觉艺术，也听不到音乐，音乐的音调会转化为数字，计算机对其处理方式与处理像素相关数字的方式相同，在计算机看来并无区别。

不过，深度学习能检测到差异。尽管音乐和视觉艺术使用相同算法，但设