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

目錄

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

1.1項(xiàng)目背景..............................................................................................................1

1.2開(kāi)發(fā)環(huán)境與工具..................................................................................................2

1.2.1python簡(jiǎn)介................................................................................................2

1.2.2Pycharm簡(jiǎn)介.............................................................................................2

1.2.3Python第三方庫(kù)簡(jiǎn)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(kù)..........................................................................................................7

4.2切分?jǐn)?shù)據(jù)集、驗(yàn)證集以及測(cè)試集.....................................................................8

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

5模型構(gòu)建及評(píng)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(jì)

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(jì).........................................................................................13

5.4.2系統(tǒng)展示和評(píng)價(jià)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(jì)

基于深度學(xué)習(xí)LeNet模型的音樂(lè)分類方法設(shè)計(jì)

1引言

由于我國(guó)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(lè)產(chǎn)業(yè)的

發(fā)展。在這個(gè)網(wǎng)絡(luò)大環(huán)境下，音樂(lè)行業(yè)方面的競(jìng)爭(zhēng)也越來(lái)越激烈，而現(xiàn)在作為

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

因?yàn)樗梢允褂脩艉芊奖愕卣业剿枰?、所需求的音?lè)作品，一方面還是因?yàn)?/p>

音樂(lè)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(lè)信息。目前，

國(guó)內(nèi)外對(duì)網(wǎng)絡(luò)音樂(lè)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(wú)法真正應(yīng)用。因此，如何結(jié)合理論和實(shí)踐，

以解決實(shí)際、根本問(wèn)題是本文要重點(diǎn)所考察的對(duì)象之一。針對(duì)以上情況，項(xiàng)目

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

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

的方法，為下文奠定了基礎(chǔ)；再次根據(jù)音樂(lè)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(guò)實(shí)驗(yàn)驗(yàn)證該模型能夠

有效提高音樂(lè)分類的準(zhǔn)確率以及效率。

之所以音樂(lè)藝術(shù)經(jīng)歷千百年流傳而經(jīng)久不衰，除開(kāi)人們對(duì)其特有的喜愛(ài)與

重視之外，更是由于音樂(lè)藝術(shù)對(duì)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(xiàng)目就是針對(duì)于音樂(lè)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?lè)發(fā)展、藝術(shù)發(fā)展中的

積極作用有一個(gè)比較詳細(xì)的了解。

1.1項(xiàng)目背景

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

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

音樂(lè)處理工作。但由于這些軟件大多是針對(duì)某一種或某些特定的樂(lè)器而設(shè)計(jì)的，

因此其功能單一，不能滿足廣大用戶日益增長(zhǎng)的多樣化、個(gè)性化的音樂(lè)信息處

理要求。為了解決這一問(wèn)題，本文提出了將音樂(lè)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(lè)分類中，并通過(guò)實(shí)例驗(yàn)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(jì)

1.2開(kāi)發(fā)環(huán)境與工具

1.2.1python簡(jiǎn)介

Python在官方是屬于完全面向?qū)ο蟮囊婚T編程語(yǔ)言，它有一個(gè)特點(diǎn)，它有

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

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

概念，Python所獨(dú)有的特點(diǎn)：非常簡(jiǎn)潔的語(yǔ)法和類型使得python這門語(yǔ)言在

OOP當(dāng)中十分易于使用。顯而易見(jiàn)的是OOP也只是Python當(dāng)中的的一個(gè)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(guò)程編程模式。

Python是一種高級(jí)、解釋型、面向?qū)ο蟮膭?dòng)態(tài)編程語(yǔ)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(yǔ)言設(shè)計(jì)用

來(lái)編寫自動(dòng)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(duì)于其他編程語(yǔ)言具有較高的可讀性、簡(jiǎn)潔的語(yǔ)法以及強(qiáng)大的標(biāo)準(zhǔn)庫(kù)，使得它

易于學(xué)習(xí)、使用，被稱為是“一種膠水語(yǔ)言”或“快速開(kāi)發(fā)語(yǔ)言”。Python對(duì)

開(kāi)發(fā)者友好，幾乎可以在任何平臺(tái)上運(yùn)行，包括Windows、Linux、Mac、Android

和iOS等。

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

和開(kāi)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^(guò)程的編

程、函數(shù)式編程等。Python在數(shù)據(jù)處理和科學(xué)計(jì)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(jì)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(kāi)發(fā)等方面。

Python的開(kāi)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(kù)，如Numpy、Pandas、Matplotlib等。這些

庫(kù)使Python具有很大的適應(yīng)性，可用于各種程序的開(kāi)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(jí)編程語(yǔ)言。

1.2.2Pycharm簡(jiǎn)介

PyCharm是一款專門為Python語(yǔ)言開(kāi)發(fā)者設(shè)計(jì)的輕量級(jí)IDE（集成開(kāi)發(fā)環(huán)

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

自動(dòng)調(diào)試、代碼檢查、版本控制、集成測(cè)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(kāi)發(fā)者以更高的效率和質(zhì)量開(kāi)

發(fā)Python應(yīng)用程序。PyCharm同時(shí)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(jì)

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

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

Python應(yīng)用程序，提高開(kāi)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(kāi)發(fā)工具，是Python開(kāi)發(fā)者必備的強(qiáng)大開(kāi)發(fā)工具之一。

1.2.3Python第三方庫(kù)簡(jiǎn)介

requests:是最友好的網(wǎng)絡(luò)爬蟲(chóng)功能庫(kù)之一，是Python易于實(shí)現(xiàn)的HTTP庫(kù)，

它的使用比urllib更簡(jiǎn)潔，但不同的是Python第三方庫(kù)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(kù)，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(kù)，可以對(duì)HTML、XML

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

據(jù)爬取，而且對(duì)它進(jìn)行樹(shù)形解析。

NumPy庫(kù)是Python數(shù)據(jù)分析的基礎(chǔ)，是處理數(shù)組的Python庫(kù)，NumPy庫(kù)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(kù)，還

可以進(jìn)行數(shù)據(jù)清洗。

sys：它能極大程度上幫助我們?cè)L問(wèn)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(yǔ)言，在許多方面都有著巨大優(yōu)勢(shì)，舉個(gè)例子：爬蟲(chóng)

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

Scrapy\Request\BeautifuSoap\urllib等庫(kù)，所想的通過(guò)爬蟲(chóng)都能實(shí)現(xiàn)，通過(guò)

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(xiàng)目可行性：

在當(dāng)前時(shí)代背景下，音樂(lè)已經(jīng)成為世界上極大多數(shù)人所熱愛(ài)的對(duì)象，在此

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

各樣的音樂(lè)類型隨之產(chǎn)生，所以對(duì)音樂(lè)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(jì)

到喜歡的音樂(lè)種類是本次項(xiàng)目地目的，因此項(xiàng)目可行性沒(méi)有問(wèn)題。

2.2數(shù)據(jù)集采集功能分析

此次項(xiàng)目的數(shù)據(jù)集來(lái)源于網(wǎng)易云音樂(lè)網(wǎng)，在python爬蟲(chóng)的基礎(chǔ)上爬取網(wǎng)易

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

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

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

（古典）、Indie（獨(dú)立）、AmbientMusic（氛圍音樂(lè)）。

通過(guò)對(duì)網(wǎng)易云音樂(lè)網(wǎng)的爬取，獲得了：流行樂(lè)、搖滾樂(lè)、民謠、電子、爵

士、純音樂(lè)、說(shuō)唱、金屬、世界音樂(lè)、新世紀(jì)、古典、獨(dú)立、氛圍音樂(lè)信息。

在以上音樂(lè)信息的基礎(chǔ)上進(jìn)而分析音樂(lè)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(lè)應(yīng)該放在音樂(lè)軟件APP的首頁(yè)，怎么迎合大眾的喜歡，當(dāng)

用戶未能得知自己喜歡的音樂(lè)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(lè)，還可以通過(guò)大數(shù)據(jù)進(jìn)行分析聽(tīng)者更偏向于喜歡什么類型的音樂(lè)，

將更多人所喜歡的類型推薦到更多聽(tīng)者的列表，分析不同年齡段的聽(tīng)者的喜愛(ài)

類型進(jìn)行區(qū)分音樂(lè)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(shí)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(gè)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(lái)識(shí)別圖像的空間模式，而最大池化層主要用于降低卷積

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

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(jì)算擴(kuò)展，可存儲(chǔ)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(shí)更為高效。

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

的科學(xué)計(jì)算庫(kù)，其內(nèi)部實(shí)現(xiàn)采用了C和Fortran語(yǔ)言來(lái)提高計(jì)算效率。

4

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

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(shí)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(kāi)發(fā)的，因此對(duì)時(shí)間序列分析提供了很好

的支持。Pandas提供了大量的庫(kù)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(gè)表示

的是損失函數(shù)。在實(shí)際中，對(duì)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(shí)際運(yùn)行的誤差。一般會(huì)以測(cè)試集的形式來(lái)度量。LeNet公式如下：

（式1）

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

最小化問(wèn)題是很多計(jì)算機(jī)領(lǐng)域問(wèn)題的核心問(wèn)題。基于梯度的學(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(gè)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(shí)

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(lè)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(lè)）、Rap（說(shuō)唱）等，觀察其變化，觀察圖

3-1，其中網(wǎng)頁(yè)如下圖所示；隨之點(diǎn)擊分頁(yè)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(jì)

圖3-1目標(biāo)網(wǎng)址頁(yè)面

按F12打開(kāi)開(kāi)發(fā)者模式，點(diǎn)擊Network，刷新一下頁(yè)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(lè)跳轉(zhuǎn)到相關(guān)網(wǎng)頁(yè)界面，

應(yīng)用F12幫助工具Ctrl+Shift+C點(diǎn)擊古典音樂(lè)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(jì)

在Pycharm中利用requests庫(kù)向網(wǎng)易云音樂(lè)的歌單接口發(fā)送請(qǐng)求，然后通

過(guò)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(qǐng)求當(dāng)中添加了一個(gè)headers參數(shù)，來(lái)模擬瀏覽器請(qǐng)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(cè)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(guò)程中非常重要的一環(huán)，它指的是對(duì)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(gè)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(guò)程的多

個(gè)方面。其中，數(shù)據(jù)處理是對(duì)數(shù)據(jù)的采集、存儲(chǔ)、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(jià)值、有意義的數(shù)據(jù)。數(shù)據(jù)處理貫穿于社

會(huì)生產(chǎn)和生活各個(gè)領(lǐng)域，對(duì)人類社會(huì)發(fā)展產(chǎn)生了重大影響。

4.1導(dǎo)入所需庫(kù)

導(dǎo)入pands等系列相關(guān)庫(kù)對(duì)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(jì)

圖4-1導(dǎo)入數(shù)據(jù)分析內(nèi)容庫(kù)

4.2切分?jǐn)?shù)據(jù)集、驗(yàn)證集以及測(cè)試集

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

測(cè)試集test_dataset，如下圖所示：

圖4-2拆分?jǐn)?shù)據(jù)集、驗(yàn)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(guò)讀取訓(xùn)練集，查得的結(jié)果包括305段音樂(lè)，如圖4-4所示：

圖4-4讀取訓(xùn)練集在pycharm中得到音樂(lè)總數(shù)圖像

通過(guò)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(jì)

圖4-5展示數(shù)據(jù)函數(shù)

通過(guò)以上train方法直接獲取到40段音樂(lè)，如下圖所示，展示出第一列部

分音樂(lè)。

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(píng)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(gè)主要部分：卷積層、池化層和全連接層。

在卷積層中，通過(guò)多組卷積核對(duì)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(guò)對(duì)卷積結(jié)果進(jìn)行下采樣操作，實(shí)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(kāi)來(lái)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(duì)輸入數(shù)據(jù)進(jìn)行

卷積操作，實(shí)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(shí)增強(qiáng)特征

對(duì)圖像畸變和移動(dòng)的不變性。常見(jiàn)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(gè)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(jì)

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(guò)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(duì)輸入數(shù)據(jù)的預(yù)測(cè)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(kù)，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(kù)

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(gè)卷積

核，每個(gè)卷積核的大小為5x5，步長(zhǎng)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(zhǎng)為2。接下來(lái)的第三層為卷積層，包括16

個(gè)卷積核，每個(gè)卷積核的大小為5x5，步長(zhǎng)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(zhǎng)為2。最后的第五層為全連接層，

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

5.1.3定義函數(shù)和網(wǎng)絡(luò)模型

通過(guò)對(duì)LeNet卷積作圖函數(shù)的應(yīng)用，多方面展示和對(duì)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(duì)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(gè)層次的結(jié)構(gòu)，包括卷積層、池化層和全連接層等。具體來(lái)說(shuō)，我們可以

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

池化層和全連接層。在定義卷積層和池化層時(shí)，我們需要指定卷積核的大小、

步長(zhǎng)和數(shù)量，以及池化核的大小和步長(zhǎng)等參數(shù)。在定義全連接層時(shí)，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(guò)定義這些參數(shù)，我們可以生成一個(gè)

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(gè)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(lè)分類系統(tǒng)當(dāng)中采用交叉熵作為損失函數(shù)來(lái)

衡量預(yù)測(cè)結(jié)果與真實(shí)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(jì)

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(shí)需要我們進(jìn)行設(shè)置損失函數(shù)、優(yōu)化器和評(píng)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(xiàng)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(jì)

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(jì)

在本設(shè)計(jì)中，我們將使用LeNet模型作為音樂(lè)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(lè)分類系統(tǒng)。

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

當(dāng)中，如放置的信息無(wú)法識(shí)別則會(huì)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(qǐng)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(kāi)始識(shí)別后系統(tǒng)則會(huì)開(kāi)始分析當(dāng)前用戶放入的內(nèi)容，系統(tǒng)會(huì)將詳細(xì)參數(shù)放置出

來(lái)，將符合各種音樂(lè)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(yè)放入一段音頻進(jìn)行測(cè)試，經(jīng)LeNet音樂(lè)分類系統(tǒng)測(cè)試得出此

段音頻為jazz樂(lè)。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(píng)價(jià)分析

在下圖代碼中，我們首先加載測(cè)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(jì)

對(duì)測(cè)試集進(jìn)行預(yù)測(cè)。接著，我們使用sklearn庫(kù)中的評(píng)價(jià)指標(biāo)函數(shù)計(jì)算準(zhǔn)確率、

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

使用加權(quán)平均值來(lái)計(jì)算多類別問(wèn)題的評(píng)價(jià)指標(biāo)。

圖5-9評(píng)價(jià)指標(biāo)代碼圖片

通過(guò)上方代碼，作出以下評(píng)價(jià)指標(biāo)結(jié)果曲線圖。ks值<0.2,一般認(rèn)為模型沒(méi)

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