查看“对音乐进行分类”的源代码

=准备数据=
这次，我们的任务是对一批音乐进行分类。
音乐的训练数据从[http://opihi.cs.uvic.ca/sound/genres.tar.gz 这里]可以下载到。这个数据里包含了blue，classical 等十个音乐类别，每个音乐类别有一百首样本。每个样本都是一首歌的前30秒。不过这个数据集是.au格式的，我们需要先转换成比较易于python处理的格式：wma。从[http://sourceforge.net/projects/sox/ 这里]下载sox的windows安装版本。安装完之后，我们在windows的cmd窗口里，可以采取写命令的方式利用sox批量转音乐文件的格式。

一个比较傻瓜的方式是

1.先把cmd命令移动到genres下的某个文件夹，例如jazz（使用"cd /."回c盘根目录，使用"e:"跳转到e盘，然后继续用cd前往要去的文件夹）；

2.然后“mkdir converted”来新建一个converted文件夹；

3.接着使用如下命令批量装换jazz中的.au文件到converted文件夹中：

<syntaxhighlight lang="python">
    for %x in (*.au) do C:\sox-14-3-2\sox.exe %x E:\wulingfei\music_classification\genres\jazz\converted\%x.wav
</syntaxhighlight>
在本练习中，我们只使用到jazz,classical,country, pop, rock, metal六个类型，所以只要在这六个文件夹下分别重复以上三个步骤就可以了。


=音频文件的频谱图=
我们可以先把一个wma文件读入python，然后绘制它的频谱图（spectrogram）来看看是什么样的。
<syntaxhighlight lang="python">
    from scipy.io import wavfile
    from matplotlib.pyplot import specgram
    import matplotlib.pyplot as plt
    
    sample_rate, X = wavfile.read("E:\wulingfei\music_classification\genres\jazz\converted\jazz.00000.au.wav")
    print sample_rate, X.shape
    specgram(X, Fs=sample_rate, xextent=(0,30))
    plt.xlabel("time")
    plt.ylabel("frequency")
</syntaxhighlight>

[[File:music_classification_1.png|400px]]

上图就是一个jazz音乐样本的频谱图。当然，我们也可以把每一种的音乐都抽一些出来打印频谱图以便比较，如下图：
[[File:music_classification_2.png|800px]]

从肉眼就可以看出一些区分，金属音乐的能量在各个频率上都比较强，爵士则是分布很不均匀的。
<syntaxhighlight lang="python">

    def plotSpec(g,n):
        sample_rate, X = wavfile.read("D:/genres/"+g+"/converted/"+g+"."+n+".au.wav")
        specgram(X, Fs=sample_rate, xextent=(0,30))
        plt.title(g+"_"+n[-1])

    figure(num=None, figsize=(18, 9), dpi=80, facecolor='w', edgecolor='k')  
    plt.subplot(6,3,1);plotSpec("classical","00001");plt.subplot(6,3,2);plotSpec("classical","00002")
    plt.subplot(6,3,3);plotSpec("classical","00003");plt.subplot(6,3,4);plotSpec("jazz","00001")
    plt.subplot(6,3,5);plotSpec("jazz","00002");plt.subplot(6,3,6);plotSpec("jazz","00003")
    plt.subplot(6,3,7);plotSpec("country","00001");plt.subplot(6,3,8);plotSpec("country","00002")
    plt.subplot(6,3,9);plotSpec("country","00003");plt.subplot(6,3,10);plotSpec("pop","00001")
    plt.subplot(6,3,11);plotSpec("pop","00002");plt.subplot(6,3,12);plotSpec("pop","00003")
    plt.subplot(6,3,13);plotSpec("rock","00001");plt.subplot(6,3,14);plotSpec("rock","00002")
    plt.subplot(6,3,15);plotSpec("rock","00003");plt.subplot(6,3,16);plotSpec("metal","00001")
    plt.subplot(6,3,17);plotSpec("metal","00002");plt.subplot(6,3,18);plotSpec("metal","00003")
    plt.tight_layout(pad=0.4, w_pad=0, h_pad=1.0)  
</syntaxhighlight>

=什么是快速（离散）傅里叶变换（FFT）？=
FFT是一种数据处理技巧，它可以把time domain上的数据，例如一个音频，拆成一堆基准频率，然后投射到frequency domain上。
为了理解FFT,我们可以先生成三个音频文件。在cmd环境下输入
<syntaxhighlight lang="python">
    C:\sox-14-3-2\sox.exe --null -r 22050 sine_a.wav synth 0.2 sine 400
    C:\sox-14-3-2\sox.exe --null -r 22050 sine_b.wav synth 0.2 sine 3000
    C:\sox-14-3-2\sox.exe --combine mix --volume 1 sine_b.wav --volume 0.5 sine_a.wav sine_mix.wav
</syntaxhighlight>
生成三个音频文件。如果我们播放的话，会发现sine_a声音比较低，sine_b声音比较高，而sine_mix则混合了两者。

[[File:music_classification_3.png|600px]]
<syntaxhighlight lang="python">
    figure(num=None, figsize=(12, 8), dpi=80, facecolor='w', edgecolor='k') 
    plt.subplot(3,2,1)
    sample_rate, a = wavfile.read("E:/wulingfei/music_classification/sine_a.wav")
    specgram(a, Fs=sample_rate, xextent=(0,30))
    plt.xlabel("time")
    plt.ylabel("frequency")
    plt.title("400 HZ sine wave")
    plt.subplot(3,2,2)
    fft_a = abs(scipy.fft(a))
    specgram(fft_a)
    plt.xlabel("frequency")
    plt.ylabel("amplitude")
    plt.title("FFT of 400 HZ sine wave")
    plt.subplot(3,2,3)
    sample_rate, b = wavfile.read("E:/wulingfei/music_classification/sine_b.wav")
    specgram(b, Fs=sample_rate, xextent=(0,30))
    plt.xlabel("time")
    plt.ylabel("frequency")
    plt.title("3000 HZ sine wave")
    plt.subplot(3,2,4)
    fft_b = abs(scipy.fft(b))
    specgram(fft_b)
    plt.xlabel("frequency")
    plt.ylabel("amplitude")
    plt.title("FFT of 3000 HZ sine wave")
    plt.subplot(3,2,5)
    sample_rate, c = wavfile.read("E:/wulingfei/music_classification/sine_mix.wav")
    specgram(c, Fs=sample_rate, xextent=(0,30))
    plt.xlabel("time")
    plt.ylabel("frequency")
    plt.title("Mixed sine wave")
    plt.subplot(3,2,6)
    fft_c = abs(scipy.fft(c))
    specgram(fft_c)
    plt.xlabel("frequency")
    plt.ylabel("amplitude")
    plt.title("FFT of mixed sine wave")
    plt.tight_layout(pad=0.4, w_pad=0, h_pad=1.0) 
</syntaxhighlight>
本文一开始的示例jazz数据经过FFT变形是这样的：
[[File:music_classification_4.png|600px]]
<syntaxhighlight lang="python">
    figure(num=None, figsize=(9, 6), dpi=80, facecolor='w', edgecolor='k') 
    sample_rate, X = wavfile.read("E:/wulingfei/music_classification/genres/jazz/converted/jazz.00000.au.wav")
    plt.subplot(2,1,1)
    specgram(X, Fs=sample_rate, xextent=(0,30))
    plt.xlabel("time")
    plt.ylabel("frequency")
    plt.subplot(2,1,2)
    fft_X = abs(scipy.fft(X))
    specgram(fft_X)
    plt.xlabel("frequency")
    plt.ylabel("amplitude")
    plt.tight_layout(pad=0.4, w_pad=0, h_pad=1.0) 
</syntaxhighlight>

=使用频域强度特征来判别音乐=

转换完数据后，我们就可以使用频域的特征来判别音乐数据了。这里我们考虑最简单的分类器，例如KNN方法。
<syntaxhighlight lang="python">
    #---------prepare train data--------------------
    genre_list = ["classical", "jazz", "country", "pop", "rock", "metal"]
    def getdata(g,n):
        ad="E:/wulingfei/music_classification/genres/"+g+"/converted/"+g+"."+"0000"+str(n)+".au.wav"
        sample_rate, X = wavfile.read(ad)
        fft_X = list(abs(scipy.fft(X)[:1000]))
        f=fft_X+[genre_list.index(g)]
        return f
    
    data=[]
    for g in genre_list:
        for n in range(10):
            data.append(getdata(g,n))
            
    data=array(data)
    #-----------prepare test data-------------------
    sample_rate, test = wavfile.read("E:/wulingfei/music_classification/genres/metal/converted/metal.00080.au.wav")
    testdata=abs(scipy.fft(test))[:1000]
    
    #---------classify-----------------------
    
    def distance(p0, p1):
        return np.sum( (p0-p1)**2)
    
    def nn_classify(training_set, training_labels, new_example):
        dists = np.array([distance(t, new_example) for t in training_set])
        da=zip(dists,training_labels)
        da=array(sorted(da, key=lambda x:x[0]))
        votes = da[:3,1]
        return votes
    
    nn_classify(data[:,:-1], data[:,-1], testdata) 
</syntaxhighlight>
[[Category:旧词条迁移]]