多數伏在案前敲擊鍵盤的程序員或許都曾憧憬：黑框眼鏡、格子襯衫、腳踩涼拖背后的另一番模樣的自己。

對于來自紐約的 Peter Sobot 而言，他的本職工作是通過機器學習系統為 Spotify 平臺上的用戶推薦音樂。但朝九晚五的工作之余，他還是一名鼓手兼音樂人，這也就意味著他需要經常創作各類電子音樂，當然，包括架子鼓等打擊樂器在內。

近日，Peter Sobot 在其博客中寫道：“他利用機器學習構建了一款應用程序，無論音頻樣本是底鼓、軍鼓還是其他鼓，其識別準確率高達 87%?！?/p>

萬萬沒想到，在工程師的手中，我們可以用機器學習搭建自己的音樂夢想！

需要了解的是，在現代電子音樂制作中，一般都會使用鼓聲樣片而不是真實的鼓手現場錄音的旋律，而這些樣片通常以商業性質出售，或者由音樂人免費在網上共享出來。不過，這樣的樣片卻往往很難利用，問題就出在它們的標簽和分類方式很難盡如人意。

“每家公司都試圖通過創建自己的樣片夾專有格式，如 Native Instrument 的 Battery 或 Kontakt 格式。兩者都使用元數據，并允許用戶通過各種標簽瀏覽樣片。但這些軟件包非常昂貴，且需要學習其任務流程。” Peter 寫道。

于是，這位被音樂耽誤了的工程師決定利用機器學習來嘗試解決這一問題。

例如，以下給出的一段音頻該如何判斷究竟是是底鼓、軍鼓、踩镲，還是別的音樂樣本？

如果是人類，可以毫不費力地區分出這兩種聲音，但計算機卻需要大量的訓練。在機器學習中，這通常被稱為分類問題，即機器需要注入數據并對其進行分類。在這其中，通常會涉及特征提取階段。

Peter 指出，人類識別不同的鼓音會從以下幾個特征判別：

一是整體文件長度。因為小鼓的聲音要比踢鼓的聲音持續時間更長，所以比較容易測量。

二是整體響度。實際上，由于電子音樂的大多數樣本都是標準化的，這意味著不同樣片中的鼓聲響度會被調整統一。相反，可以使用“最大”、“中等”、“最小”三種響度以更好地了解響度是如何隨時間變化的。

三是頻率。如底鼓樣片的低頻音段會有很多，因其直徑長，造成鼓聲小而低沉。為了讓機器學習算法學會這一點，需要將不同頻率范圍內的聲音響度特征分類。

四是音高。盡管鼓是一款打擊樂器，但仍可以調到各種音高。為了量化這種調整，可以采用樣本的基頻來幫助算法區分低音和高音。

接下來，就開始訓練數據了。

據了解，Peter 從數萬個樣本中選取了大概每種樂器 20~30 個樣本量，基本分為以下三種類型：一是每種樂器的不同類型的樣本，如聲學鼓、電子鼓；二是不同來源的音樂樣本；三是非鼓聲的音樂樣本。

然后，他列出了 100 個樣本夾，將大概 50 兆字節的樣本數據歸置于 5 個單獨文件夾中，分別是：底鼓、小鼓、軍鼓、踩镲、以及其他。

1、執行特征提取

據了解，這個 Python 庫是由音頻分析師 Brain McFee 等人創建的 librosa 。

（附上GitHub上的代碼鏈接：https://github.com/psobot/machine-learning-for-drummers）

2、將提取特征保存在JSON文件夾中

3、將特征提供給決策樹進行訓練

以決策樹為例，這是一種常見的機器學習算法，并不涉及“神經網絡”、“深度學習”的范疇。簡言之，決策樹是一種以遞歸方式學習每個特征的閾值并將數據分類的系統。

Peter 創建了一個決策樹模型classifier.py，其權重由導入的數據通過統計決定。以下為可視化模型：

每個新樣本都傳遞到該決策樹中，并對提供的特征進行由上到下的評估。例如，如果新樣本為 average_eq_2_10 ≤ -56.77 （如圖中的頂部塊所示），則決策樹將向左移動，然后檢查其 fundamental_5 特征。

如果執行 classifier.py ，會呈現兩個列表：一是訓練準確率（模型預測訓練期間出現過的樣本的準確率），二是測試準確率（模型預測訓練期間未出現過的樣本的準確率）。

據了解，Peter 分別獲得了 100% 和 87% 的準確率。

在他看來，13% 的錯誤率可能是過度擬合導致，因此，為了避免出現這種可能性，他采取了以下三種方式：

調整算法參數以使其不會太具體。

改變特征計算以便給算法注入更多數據，這部分數據或許對人類來說并不敏感，但在數學上有助于解決分類問題。

添加更多多樣化的數據，以便決策樹算法可以創建一種更通用的樹，前提是現有數據并不完整。

最后，附上這位小哥哥個人照，