基于深度學(xué)習(xí)LeNet模型的音樂分類方法設(shè)計

湖南商務(wù)職業(yè)技術(shù)學(xué)院畢業(yè)設(shè)計

目錄

1引言............................................................................................................................1

1.1項目背景..............................................................................................................1

1.2開發(fā)環(huán)境與工具..................................................................................................2

1.2.1python簡介................................................................................................2

1.2.2Pycharm簡介.............................................................................................2

1.2.3Python第三方庫簡介................................................................................3

2需求分析....................................................................................................................3

2.1可行性需求分析..................................................................................................3

2.2數(shù)據(jù)集采集功能分析.........................................................................................4

2.3關(guān)鍵數(shù)據(jù)分析......................................................................................................4

2.3.1LeNet技術(shù).................................................................................................4

2.3.2Numpy技術(shù)分析.......................................................................................4

2.3.3pandas技術(shù)分析........................................................................................5

2.3.4LeNet算法原理.........................................................................................5

3數(shù)據(jù)采集....................................................................................................................5

3.1數(shù)據(jù)需求分析.....................................................................................................5

3.2數(shù)據(jù)集獲取分析..................................................................................................6

3.3數(shù)據(jù)集下載.........................................................................................................7

4數(shù)據(jù)集處理................................................................................................................7

4.1導(dǎo)入所需庫..........................................................................................................7

4.2切分?jǐn)?shù)據(jù)集、驗證集以及測試集.....................................................................8

4.3查看數(shù)據(jù)集大小.................................................................................................8

5模型構(gòu)建及評估分析................................................................................................9

5.1模型構(gòu)建..............................................................................................................9

5.1.1模型網(wǎng)絡(luò)結(jié)構(gòu)...........................................................................................9

5.1.2創(chuàng)建LeNet模型.....................................................................................10

I

湖南商務(wù)職業(yè)技術(shù)學(xué)院畢業(yè)設(shè)計

5.1.3定義函數(shù)和網(wǎng)絡(luò)模型.............................................................................11

5.2模型編譯............................................................................................................11

5.2.1優(yōu)化器設(shè)置、損失函數(shù)設(shè)置.................................................................11

5.2.2模型編譯.................................................................................................12

5.3模型訓(xùn)練與調(diào)優(yōu)...............................................................................................12

5.3.1學(xué)習(xí)率調(diào)優(yōu).............................................................................................12

5.3.2batch_size設(shè)置........................................................................................13

5.4模型部署............................................................................................................13

5.4.1系統(tǒng)前端設(shè)計.........................................................................................13

5.4.2系統(tǒng)展示和評價分析.............................................................................13

6小結(jié)..........................................................................................................................14

參考資料.........................................................................................................................16

II

湖南商務(wù)職業(yè)技術(shù)學(xué)院畢業(yè)設(shè)計

基于深度學(xué)習(xí)LeNet模型的音樂分類方法設(shè)計

1引言

由于我國網(wǎng)民的大量增加，在某一層面上極大程度促進(jìn)了網(wǎng)絡(luò)音樂產(chǎn)業(yè)的

發(fā)展。在這個網(wǎng)絡(luò)大環(huán)境下，音樂行業(yè)方面的競爭也越來越激烈，而現(xiàn)在作為

一個新興事物的音樂分類系統(tǒng)，它的出現(xiàn)開始迅速獲得人們的關(guān)注，一方面是

因為它可以使用戶很方便地找到所需要、所需求的音樂作品，一方面還是因為

音樂分類系統(tǒng)能幫助人們快速準(zhǔn)確地查詢到自己想要了解的音樂信息。目前，

國內(nèi)外對網(wǎng)絡(luò)音樂進(jìn)行分類層面已經(jīng)有了很多科研成果，但由于各種原因，這

些成果往往只能停留于理論層面，無法真正應(yīng)用。因此，如何結(jié)合理論和實踐，

以解決實際、根本問題是本文要重點所考察的對象之一。針對以上情況，項目

首先對當(dāng)前音樂分類系統(tǒng)進(jìn)行概述，分析了其中音樂分類系統(tǒng)中存在的不足及

產(chǎn)生的根源；其次從多個角度介紹了數(shù)據(jù)挖掘技術(shù)的基本概念，特點及其常用

的方法，為下文奠定了基礎(chǔ)；再次根據(jù)音樂分類系統(tǒng)的要求，提出了一種基于

關(guān)聯(lián)規(guī)則算法和聚類分析算法的混合分類模型；最后通過實驗驗證該模型能夠

有效提高音樂分類的準(zhǔn)確率以及效率。

之所以音樂藝術(shù)經(jīng)歷千百年流傳而經(jīng)久不衰，除開人們對其特有的喜愛與

重視之外，更是由于音樂藝術(shù)對于人們而言是有重大的教化作用與其他功能，

在人們的精神層次提升上有著重要的意義，還可以陶冶人的精神世界，在這方

面起著舉足輕重的作用。寫出此次項目就是針對于音樂藝術(shù)于人們發(fā)展的意義

與功能所作出的探討與分析，在此基礎(chǔ)上希望能夠?qū)σ魳钒l(fā)展、藝術(shù)發(fā)展中的

積極作用有一個比較詳細(xì)的了解。

1.1項目背景

隨著計算機(jī)科學(xué)技術(shù)的發(fā)展，人們對于各種的音樂信息需求日益增多起來。

當(dāng)前在我國，已有相當(dāng)數(shù)量的人使用著不同種類和格式的各種計算機(jī)程序進(jìn)行

音樂處理工作。但由于這些軟件大多是針對某一種或某些特定的樂器而設(shè)計的，

因此其功能單一，不能滿足廣大用戶日益增長的多樣化、個性化的音樂信息處

理要求。為了解決這一問題，本文提出了將音樂信息提取技術(shù)與數(shù)據(jù)挖掘技術(shù)

相結(jié)合應(yīng)用于音樂分類中，并通過實例驗證了這種方法的可行性與優(yōu)越性。

1

湖南商務(wù)職業(yè)技術(shù)學(xué)院畢業(yè)設(shè)計

1.2開發(fā)環(huán)境與工具

1.2.1python簡介

Python在官方是屬于完全面向?qū)ο蟮囊婚T編程語言，它有一個特點，它有

非常多的對象：函數(shù)、模塊、數(shù)字、字符串等內(nèi)置類型都是它的對象。它其中

的一個概念“類”，“類”支持多態(tài)和操作符重載，以及多重繼承等高級OOP

概念，Python所獨有的特點：非常簡潔的語法和類型使得python這門語言在

OOP當(dāng)中十分易于使用。顯而易見的是OOP也只是Python當(dāng)中的的一個選擇，

和C++一樣，Python它支持面向?qū)ο蟮木幊滩僮?，但是不同的是python也支持

面向過程編程模式。

Python是一種高級、解釋型、面向?qū)ο蟮膭討B(tài)編程語言。它由荷蘭程序員

GuidovanRossum于1991年發(fā)明，原本作為一種可讀性很強(qiáng)的腳本語言設(shè)計用

來編寫自動化任務(wù)、Web應(yīng)用、數(shù)據(jù)分析和人工智能等領(lǐng)域的程序。Python相

對于其他編程語言具有較高的可讀性、簡潔的語法以及強(qiáng)大的標(biāo)準(zhǔn)庫，使得它

易于學(xué)習(xí)、使用，被稱為是“一種膠水語言”或“快速開發(fā)語言”。Python對

開發(fā)者友好，幾乎可以在任何平臺上運(yùn)行，包括Windows、Linux、Mac、Android

和iOS等。

Python是開源的自由軟件，它的開發(fā)遵循社區(qū)模式，擁有全球龐大的組織

和開發(fā)者群體。Python支持多種編程范型，包括面向?qū)ο缶幊獭⒒谶^程的編

程、函數(shù)式編程等。Python在數(shù)據(jù)處理和科學(xué)計算領(lǐng)域得到了廣泛應(yīng)用，包括

數(shù)據(jù)分析、機(jī)器學(xué)習(xí)、人工智能以及科學(xué)計算和可視化等。Python還可以用于

創(chuàng)建桌面應(yīng)用、Web應(yīng)用、游戲和軟件開發(fā)等方面。

Python的開發(fā)速度非?？?，因其可以輕松處理文本處理、文件操作及其他

任務(wù)。Python具有大量的第三方庫，如Numpy、Pandas、Matplotlib等。這些

庫使Python具有很大的適應(yīng)性，可用于各種程序的開發(fā)?？傊?，Python是一門

功能強(qiáng)大、易于學(xué)習(xí)、廣泛應(yīng)用和支持社區(qū)活躍的高級編程語言。

1.2.2Pycharm簡介

PyCharm是一款專門為Python語言開發(fā)者設(shè)計的輕量級IDE（集成開發(fā)環(huán)

境），由捷克公司JetBrains開發(fā)。PyCharm擁有許多特色功能，如代碼補(bǔ)全、

自動調(diào)試、代碼檢查、版本控制、集成測試、智能代碼編輯、代碼生成等。它

采用了智能代碼分析算法和大量的插件，可以讓開發(fā)者以更高的效率和質(zhì)量開

發(fā)Python應(yīng)用程序。PyCharm同時支持多種Python版本，如Python2和

2

湖南商務(wù)職業(yè)技術(shù)學(xué)院畢業(yè)設(shè)計

Python3等。此外，PyCharm還內(nèi)置了許多流行的Python庫，如Django、

Flask、NumPy、SciPy等，使得開發(fā)者可以在一個統(tǒng)一的開發(fā)環(huán)境中快速開發(fā)

Python應(yīng)用程序，提高開發(fā)效率?？傊?，PyCharm是一款功能強(qiáng)大、易于使用、

可自定義的Python開發(fā)工具，是Python開發(fā)者必備的強(qiáng)大開發(fā)工具之一。

1.2.3Python第三方庫簡介

requests:是最友好的網(wǎng)絡(luò)爬蟲功能庫之一，是Python易于實現(xiàn)的HTTP庫，

它的使用比urllib更簡潔，但不同的是Python第三方庫要事先進(jìn)行安裝操作。

Re：正則表達(dá)式解析和處理功能庫，里面包含了多種字符串匹配的方法。

BeautifulSoup：它的作用是作為HTML和XML的解析庫，可以對HTML、XML

格式進(jìn)行解析，從中提取相關(guān)信息；還可以對所提供的任何格式進(jìn)行相關(guān)的數(shù)

據(jù)爬取，而且對它進(jìn)行樹形解析。

NumPy庫是Python數(shù)據(jù)分析的基礎(chǔ)，是處理數(shù)組的Python庫，NumPy庫的

數(shù)據(jù)結(jié)構(gòu)比Python自帶的更加高效。

pandas：數(shù)據(jù)分析并保存為csv文件，python數(shù)據(jù)分析高層次應(yīng)用庫，還

可以進(jìn)行數(shù)據(jù)清洗。

sys：它能極大程度上幫助我們訪問和Python解釋器，并聯(lián)系緊密的變量

和函數(shù)。

torch：最大化地保證算法的靈活性和速度。

2需求分析

2.1可行性需求分析

（1）技術(shù)可行性：

Python作為一門編程語言，在許多方面都有著巨大優(yōu)勢，舉個例子：爬蟲

——爬蟲領(lǐng)域，在爬蟲領(lǐng)域當(dāng)中Python幾乎是霸主地位，

Scrapy\Request\BeautifuSoap\urllib等庫，所想的通過爬蟲都能實現(xiàn)，通過

此方面的支持提供了采集數(shù)據(jù)的渠道。Pycharm這款軟件在一定程度上也提供了

極大幫助，進(jìn)行數(shù)據(jù)的采集以及數(shù)據(jù)的分析非常的便捷。

（2）項目可行性：

在當(dāng)前時代背景下，音樂已經(jīng)成為世界上極大多數(shù)人所熱愛的對象，在此

基礎(chǔ)上，產(chǎn)生了非常之多的音樂平臺，從而提供了人們接觸音樂的渠道。各種

各樣的音樂類型隨之產(chǎn)生，所以對音樂類型分類鋪平了道路，讓更多人快速找

3

湖南商務(wù)職業(yè)技術(shù)學(xué)院畢業(yè)設(shè)計

到喜歡的音樂種類是本次項目地目的，因此項目可行性沒有問題。

2.2數(shù)據(jù)集采集功能分析

此次項目的數(shù)據(jù)集來源于網(wǎng)易云音樂網(wǎng)，在python爬蟲的基礎(chǔ)上爬取網(wǎng)易

云音樂網(wǎng)各種類型音樂，包括Pop（流行）、Rock（搖滾）、Folk（民謠）、

Electronic（電子）、Jazz（爵士）、AbsoluteMusic（純音樂）、Rap（說

唱）、Metal（金屬）、WorldMusic（世界音樂）、NewAge（新世紀(jì)）、Classical

（古典）、Indie（獨立）、AmbientMusic（氛圍音樂）。

通過對網(wǎng)易云音樂網(wǎng)的爬取，獲得了：流行樂、搖滾樂、民謠、電子、爵

士、純音樂、說唱、金屬、世界音樂、新世紀(jì)、古典、獨立、氛圍音樂信息。

在以上音樂信息的基礎(chǔ)上進(jìn)而分析音樂的類型將如何進(jìn)行分類，從而引發(fā)思考，

如：什么類型的音樂應(yīng)該放在音樂軟件APP的首頁，怎么迎合大眾的喜歡，當(dāng)

用戶未能得知自己喜歡的音樂類型該怎么進(jìn)行分析推薦，在什么位置放置不同

類型的音樂，還可以通過大數(shù)據(jù)進(jìn)行分析聽者更偏向于喜歡什么類型的音樂，

將更多人所喜歡的類型推薦到更多聽者的列表，分析不同年齡段的聽者的喜愛

類型進(jìn)行區(qū)分音樂推薦等等。

2.3關(guān)鍵數(shù)據(jù)分析

2.3.1LeNet技術(shù)

LeNet是一種卷積神經(jīng)網(wǎng)絡(luò)，早在1998年就被提出，其主要由卷積層塊和

全連接層塊構(gòu)成。卷積層塊包含卷積層和最大池化層，用于識別圖像的空間模

式和降低位置敏感性。全連接層用于完成最后的分類。該網(wǎng)絡(luò)主要分為卷積層

塊和全連接層塊兩個部分，其中卷積層塊的基本單位是“卷積層+最大池化

層”。卷積層主要用來識別圖像的空間模式，而最大池化層主要用于降低卷積

層對于位置的敏感性。通過這樣的方式，LeNet可以在保證識別準(zhǔn)確性的同時，

減少參數(shù)量、提高模型效率。最后，全連接層用于完成最后的分類任務(wù)。

2.3.2Numpy技術(shù)分析

Numpy(NumericalPython)是一種數(shù)值計算擴(kuò)展，可存儲和處理大型矩陣，

相比Python自帶的嵌套列表結(jié)構(gòu)，Numpy在操作多維數(shù)組和矩陣時更為高效。

該工具還提供廣泛的數(shù)學(xué)函數(shù)庫，可應(yīng)用于數(shù)組運(yùn)算。Numpy是Python重要

的科學(xué)計算庫，其內(nèi)部實現(xiàn)采用了C和Fortran語言來提高計算效率。

4

湖南商務(wù)職業(yè)技術(shù)學(xué)院畢業(yè)設(shè)計

2.3.3pandas技術(shù)分析

Pandas是基于NumPy的工具，用于數(shù)據(jù)分析任務(wù)，具有處理時間序列數(shù)據(jù)

的能力。它最初是為金融數(shù)據(jù)分析而開發(fā)的，因此對時間序列分析提供了很好

的支持。Pandas提供了大量的庫和數(shù)據(jù)模型，可高效地操作大型數(shù)據(jù)集。它的

函數(shù)和方法可以快速便捷地處理數(shù)據(jù)。因此，Pandas是一種適用于數(shù)據(jù)分析的

高效工具。

2.3.4LeNet算法原理

在神經(jīng)網(wǎng)絡(luò)領(lǐng)域，基于梯度的學(xué)習(xí)非常流行。我們知道神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)主

要是學(xué)習(xí)到權(quán)重矩陣的值，也就是找到使得最小，這個表示

的是損失函數(shù)。在實際中，對于訓(xùn)練集的誤差我們并不是很關(guān)心，我們最重要

的是降低實際運(yùn)行的誤差。一般會以測試集的形式來度量。LeNet公式如下：

（式1）

基于梯度的學(xué)習(xí)（Gradient-BasedLearning）

最小化問題是很多計算機(jī)領(lǐng)域問題的核心問題?；谔荻鹊膶W(xué)習(xí)證明最小

化連續(xù)的函數(shù)要比最小化離散函數(shù)更容易。在本文中，大多數(shù)未知數(shù)的梯度求

解都是很容易的。也就是我們只要循環(huán)求解下式即可：

（式2）

卷積網(wǎng)絡(luò)聯(lián)合了三個架構(gòu)特征導(dǎo)致了轉(zhuǎn)換、拉伸和扭曲的不變形：1）局部

感受野（LocalReceptiveFields）；2）共享權(quán)重（SharedWeights）；3）時

間和空間的二次抽樣（SpatialorTemporalSubsampling）。

3數(shù)據(jù)采集

3.1數(shù)據(jù)需求分析

首先進(jìn)入MicrosoftEdge瀏覽器，進(jìn)入網(wǎng)易云音樂網(wǎng)，在搜索框中輸入關(guān)

鍵字Pop（流行）、Rock（搖滾）、Folk（民謠）、Electronic（電子）、Jazz

（爵士）、AbsoluteMusic（純音樂）、Rap（說唱）等，觀察其變化，觀察圖

3-1，其中網(wǎng)頁如下圖所示；隨之點擊分頁按鈕，觀察到變化后URL發(fā)生變化。

5

湖南商務(wù)職業(yè)技術(shù)學(xué)院畢業(yè)設(shè)計

圖3-1目標(biāo)網(wǎng)址頁面

按F12打開開發(fā)者模式，點擊Network，刷新一下頁面，查找所需要的字段。

首先確定歌曲名，隨之查看找到歌曲的鏈接，采用用戶代理以防被網(wǎng)站封禁ip。

3.2數(shù)據(jù)集獲取分析

首先定位到所需數(shù)據(jù)的位置，搜索關(guān)鍵詞古典音樂跳轉(zhuǎn)到相關(guān)網(wǎng)頁界面，

應(yīng)用F12幫助工具Ctrl+Shift+C點擊古典音樂的第一首歌曲，如圖3-2，可以

看到剛所有的歌曲在itemf-cbh-flag當(dāng)中，所選定的歌曲名稱鏈接出現(xiàn)在

text字段當(dāng)中。

圖3-2分析數(shù)據(jù)類型界面

6

湖南商務(wù)職業(yè)技術(shù)學(xué)院畢業(yè)設(shè)計

在Pycharm中利用requests庫向網(wǎng)易云音樂的歌單接口發(fā)送請求，然后通

過json解析響應(yīng)數(shù)據(jù)，得到歌曲相關(guān)信息，最后進(jìn)行輸出。由于怕被網(wǎng)站屏蔽

所以在請求當(dāng)中添加了一個headers參數(shù)，來模擬瀏覽器請求。

3.3數(shù)據(jù)集下載

將從網(wǎng)易云爬取的數(shù)據(jù)集保存在桌面data文件夾中，如圖3-3。

圖3-3數(shù)據(jù)集文件夾展示圖

所圖3-4所示可以看到data文件夾中包含dev數(shù)據(jù)集，train訓(xùn)練集以及

test測試集。

圖3-4數(shù)據(jù)集展示圖

4數(shù)據(jù)集處理

數(shù)據(jù)清洗是數(shù)據(jù)治理過程中非常重要的一環(huán)，它指的是對數(shù)據(jù)進(jìn)行清理、

篩選、去重、格式化等操作，以確保數(shù)據(jù)質(zhì)量和數(shù)據(jù)準(zhǔn)確性。

數(shù)據(jù)質(zhì)量是一個多維度的概念，可能涉及數(shù)據(jù)產(chǎn)品及其生產(chǎn)服務(wù)過程的多

個方面。其中，數(shù)據(jù)處理是對數(shù)據(jù)的采集、存儲、檢索、加工、變換和傳輸。

其基本目的是從大量的數(shù)據(jù)中抽取有價值、有意義的數(shù)據(jù)。數(shù)據(jù)處理貫穿于社

會生產(chǎn)和生活各個領(lǐng)域，對人類社會發(fā)展產(chǎn)生了重大影響。

4.1導(dǎo)入所需庫

導(dǎo)入pands等系列相關(guān)庫對數(shù)據(jù)進(jìn)行處理操作，如下圖所示：

7

湖南商務(wù)職業(yè)技術(shù)學(xué)院畢業(yè)設(shè)計

圖4-1導(dǎo)入數(shù)據(jù)分析內(nèi)容庫

4.2切分?jǐn)?shù)據(jù)集、驗證集以及測試集

將所選取的數(shù)據(jù)集切分為訓(xùn)練集train_dataset、驗證集valid_dataset、

測試集test_dataset，如下圖所示：

圖4-2拆分?jǐn)?shù)據(jù)集、驗證集、訓(xùn)練集

4.3查看數(shù)據(jù)集大小

使用.shape方法讀取訓(xùn)練集的大小，下圖為讀取訓(xùn)練集方法展示：

圖4-3讀取訓(xùn)練集大小圖片

通過讀取訓(xùn)練集，查得的結(jié)果包括305段音樂，如圖4-4所示：

圖4-4讀取訓(xùn)練集在pycharm中得到音樂總數(shù)圖像

通過train直接獲取srchsongst當(dāng)中的第一列數(shù)據(jù)，如下圖所示，展示第

一列數(shù)據(jù)：

8

湖南商務(wù)職業(yè)技術(shù)學(xué)院畢業(yè)設(shè)計

圖4-5展示數(shù)據(jù)函數(shù)

通過以上train方法直接獲取到40段音樂，如下圖所示，展示出第一列部

分音樂。

圖4-6讀取出部分加載訓(xùn)練集內(nèi)容

5模型構(gòu)建及評估分析

5.1模型構(gòu)建

5.1.1模型網(wǎng)絡(luò)結(jié)構(gòu)

LeNet模型的整體結(jié)構(gòu)主要包括三個主要部分：卷積層、池化層和全連接層。

在卷積層中，通過多組卷積核對輸入數(shù)據(jù)進(jìn)行卷積操作，提取特征信息；在池

化層中，通過對卷積結(jié)果進(jìn)行下采樣操作，實現(xiàn)特征降維和不變性增強(qiáng)；在全

連接層中，將池化結(jié)果進(jìn)行壓縮和分類，得到最終的輸出結(jié)果。展開來講，LeNet

模型的具體結(jié)構(gòu)如下所示：

1.輸入層：將數(shù)據(jù)傳送到神經(jīng)網(wǎng)絡(luò)模型當(dāng)中，這里一般是圖像數(shù)據(jù)。

2.卷積層：使用卷積神經(jīng)網(wǎng)絡(luò)中的卷積層采用多組卷積核對輸入數(shù)據(jù)進(jìn)行

卷積操作，實現(xiàn)特征信息提取并進(jìn)行非線性變換以進(jìn)行非線性映射，生成特

征圖作為輸出結(jié)果。

3.池化層：在特征圖當(dāng)中進(jìn)行下采樣操作，將特征圖降維，同時增強(qiáng)特征

對圖像畸變和移動的不變性。常見的池化方式有最大池化和平均池化。

4.卷積層+池化層：LeNet中共有兩個這樣的組合層，用于更進(jìn)一步提取圖

9

湖南商務(wù)職業(yè)技術(shù)學(xué)院畢業(yè)設(shè)計

像的特征信息。

5.全連接層：將池化操作的結(jié)果壓縮變成一維向量，然后通過全連接層進(jìn)

行分類操作。常用的激活函數(shù)有ReLU、Tanh和Sigmoid等。

6.輸出層：輸出神經(jīng)網(wǎng)絡(luò)對輸入數(shù)據(jù)的預(yù)測結(jié)果，通常使用Softmax函數(shù)

進(jìn)行分類。

5.1.2創(chuàng)建LeNet模型

導(dǎo)入相關(guān)庫，使用基于LeNet加載源數(shù)據(jù)，如圖5-1。

圖5-1導(dǎo)入數(shù)據(jù)分析所需庫

創(chuàng)建LeNet網(wǎng)絡(luò)模型，構(gòu)建LeNet初始類，第一層為卷積層，包括6個卷積

核，每個卷積核的大小為5x5，步長為1，激活函數(shù)為Sigmoid。第二層為池化

層，包括2x2的最大池化操作，步長為2。接下來的第三層為卷積層，包括16

個卷積核，每個卷積核的大小為5x5，步長為1，激活函數(shù)為Sigmoid。第四層

同樣為池化層，包括2x2的最大池化操作，步長為2。最后的第五層為全連接層，

包含120個神經(jīng)元，激活函數(shù)為Sigmoid。第六層為全連接層，包含84個神經(jīng)

元，激活函數(shù)為Sigmoid。最后的輸出層為全連接層，包含10個神經(jīng)元，激活

函數(shù)為Softmax。

圖5-2構(gòu)建LeNet網(wǎng)絡(luò)模型代碼圖

10

湖南商務(wù)職業(yè)技術(shù)學(xué)院畢業(yè)設(shè)計

5.1.3定義函數(shù)和網(wǎng)絡(luò)模型

通過對LeNet卷積作圖函數(shù)的應(yīng)用，多方面展示和對比訓(xùn)練集訓(xùn)練結(jié)果的

差別，從而達(dá)到區(qū)分與比較的效果。

定義作圖函數(shù)，便于查看和比對訓(xùn)練結(jié)果作圖函數(shù)用于生成卷積神經(jīng)網(wǎng)絡(luò)中

的各個層次的結(jié)構(gòu)，包括卷積層、池化層和全連接層等。具體來說，我們可以

采用Keras框架中的Conv2D、MaxPooling2D和Dense等函數(shù)，分別對應(yīng)卷積層、

池化層和全連接層。在定義卷積層和池化層時，我們需要指定卷積核的大小、

步長和數(shù)量，以及池化核的大小和步長等參數(shù)。在定義全連接層時，我們需要

指定神經(jīng)元的數(shù)量和激活函數(shù)等參數(shù)。通過定義這些參數(shù)，我們可以生成一個

完整的卷積神經(jīng)網(wǎng)絡(luò)模型。

定義網(wǎng)絡(luò)模型，網(wǎng)絡(luò)模型是卷積神經(jīng)網(wǎng)絡(luò)的主體部分，它由多個卷積層、池

化層和全連接層組成，用于提取輸入數(shù)據(jù)的特征。

圖5-3定義網(wǎng)絡(luò)模型部分代碼圖

5.2模型編譯

5.2.1優(yōu)化器設(shè)置、損失函數(shù)設(shè)置

在模型當(dāng)中采用Adam優(yōu)化器，將當(dāng)前學(xué)習(xí)率調(diào)制為0.001，beta1設(shè)置為

0.9，beta2采用0.999。在本次音樂分類系統(tǒng)當(dāng)中采用交叉熵作為損失函數(shù)來

衡量預(yù)測結(jié)果與真實標(biāo)簽的差異。

11

湖南商務(wù)職業(yè)技術(shù)學(xué)院畢業(yè)設(shè)計

圖5-4部分參數(shù)設(shè)置代碼圖

5.2.2模型編譯

在編譯模型時需要我們進(jìn)行設(shè)置損失函數(shù)、優(yōu)化器和評估指標(biāo)。我們常常

用到的損失函數(shù)包括交叉熵?fù)p失函數(shù)和均方誤差損失函數(shù)等,在我們此次項目

當(dāng)中選用Adam優(yōu)化器，調(diào)整學(xué)習(xí)率和交叉熵，設(shè)置完優(yōu)化器與損失函數(shù)后編譯

模型得到如下結(jié)果圖。

圖5-5模型編譯結(jié)果圖

5.3模型訓(xùn)練與調(diào)優(yōu)

5.3.1學(xué)習(xí)率調(diào)優(yōu)

將學(xué)習(xí)率設(shè)置為0.001。

圖5-6學(xué)習(xí)率設(shè)置

12

湖南商務(wù)職業(yè)技術(shù)學(xué)院畢業(yè)設(shè)計

5.3.2batch_size設(shè)置

將batch_size設(shè)置為256，以及一些參數(shù)的設(shè)置。

圖5-7batch_size設(shè)置代碼圖

5.4模型部署

5.4.1系統(tǒng)前端設(shè)計

在本設(shè)計中，我們將使用LeNet模型作為音樂分類模型的基礎(chǔ)結(jié)構(gòu)，進(jìn)行訓(xùn)

練和優(yōu)化，以期達(dá)到更高的準(zhǔn)確度和更快的處理速度。為了方便用戶使用，本

系統(tǒng)采用引導(dǎo)式，旨在引導(dǎo)用戶更好、更快的熟悉使用音樂分類系統(tǒng)。

首先引導(dǎo)用戶將所需要的材料、音樂片段等相關(guān)信息放入到音樂識別系統(tǒng)

當(dāng)中，如放置的信息無法識別則會告知用戶：“很抱歉，您放置的信息可能不

符合當(dāng)前規(guī)范，請您查看后再次放入！”若放置的內(nèi)容符合規(guī)范則繼續(xù)下一步，

開始識別后系統(tǒng)則會開始分析當(dāng)前用戶放入的內(nèi)容，系統(tǒng)會將詳細(xì)參數(shù)放置出

來，將符合各種音樂類型的匹配度采用百分?jǐn)?shù)的形式展現(xiàn)到系統(tǒng)界面，并將最

符合的以大字形式展現(xiàn)在右上方。

根據(jù)前端網(wǎng)頁放入一段音頻進(jìn)行測試，經(jīng)LeNet音樂分類系統(tǒng)測試得出此

段音頻為jazz樂。效果圖如圖5-8所示：

圖5-8效果圖像展示

5.4.2系統(tǒng)展示和評價分析

在下圖代碼中，我們首先加載測試集數(shù)據(jù)和標(biāo)簽，然后使用訓(xùn)練好的模型

13

湖南商務(wù)職業(yè)技術(shù)學(xué)院畢業(yè)設(shè)計

對測試集進(jìn)行預(yù)測。接著，我們使用sklearn庫中的評價指標(biāo)函數(shù)計算準(zhǔn)確率、

精確率、召回率和F1值，并將它們打印出來。其中，average=weighted則表示

使用加權(quán)平均值來計算多類別問題的評價指標(biāo)。

圖5-9評價指標(biāo)代碼圖片

通過上方代碼，作出以下評價指標(biāo)結(jié)果曲線圖。ks值<0.2,一般認(rèn)為模型沒

有區(qū)分能力；ks值[0.2,0.3],模型具有一定區(qū)分能力，勉強(qiáng)可以接受；ks值

[0.3,0.5],模型具有較強(qiáng)的