WiZardWen

在 PyTorch For Audio and Music Processing 入门代码的基础上添加了一些注释和新的内容，包括： Download dataset Create data loader Build model Train Save trained model Load model Predict 注意，以下代码存在一个小问题：在Pytorch的CrossEntropyLoss()损失函数中，自带了计算Softmax这一步骤，所以在神经网络最后不需要Softmax这一层。 12345import torchfrom torch import nnfrom torch.utils.data import DataLoaderfrom torchvision import datasetsfrom torchvision.transforms import ToTensor 1234567891011121314def download_mnist_datasets(): train_data = datasets.MNIST( root=" ...

ISMIR 2021 速度、节拍与强拍估计教程阅读笔记 教程链接： Tempo, Beat, and Downbeat Estimation — Tempo, Beat and Downbeat Estimation (tempobeatdownbeat.github.io) Annotate 自动标注 + 自动修正 + 人工修正 Baseline See 音乐速度与节拍估计基本方法 | WiZardWen (wzw21.cn) Evaluate F-measure 将节拍估计问题视为二分类问题来进行评估 Typically use a tolerance window of +/- 70ms around each ground truth annotation. 使用 F-measure 的好处：Catch either: i) natural human variation in tapping and not punish it, or ii) contend with cases like arpeggiated chords where it’s difficul ...

去除来必力（Livere）评论系统附带韩文广告的两种方法 方法一：添加CSS代码 在css文件（e.g. normalize.min.css）中添加如下代码 123.trc_rbox_container { display: none !important;} 添加后需要hexo clean 方法二：添加JS代码 在js/pug文件（e.g. livere.pug）中添加如下代码 1234567891011121314script. var intervalFunctionID = setInterval(function(){ myTimer() }, 1000); function myTimer() { if (document.getElementById("taboola-livere") != null) { if (document.getElementById("taboola-livere").style.display = ...

使用Librosa库对音乐速度、节拍进行估计的基本方法 参考：https://tempobeatdownbeat.github.io/tutorial/ch2_basics/baseline.html 基本设置 1234import librosaimport matplotlib.pyplot as pltimport librosa.displayimport numpy as np 1mount = False 1234from google.colab import drivedrive.mount('/content/drive')# drive._mount('/content/drive') # failed on Jan 21st, 2022mount = True 1234567891011121314if mount == True: filename = "drive/MyDrive/data/tempo_tutorial/audio/book_assets_ch2_basics_audio_easy_exa ...

使用 Python 播放 MIDI Note 方法一：使用music21 123456789101112import music21 as m21def play_note(pitch="C4", length=2, velocity=127, instrument='Piano'): note_1 = m21.note.Note(pitch, quarterLength=length) note_1.volume.velocity = velocity stream_1 = m21.stream.Stream() if instrument == 'Piano': stream_1.append(m21.instrument.Piano()) # stream_1.insert(0, m21.instrument.Piano()) stream_1.append(note_1) s_player = m21.midi.realtime.StreamPlaye ...

群体智能优化算法 研究背景 群体智能优化算法（Swarm Intelligence Optimization Algorithm）是计算智能中的一种常用算法，其基本理论是模拟自然界中鱼群、鸟群、蜂群、狼群和细菌群等动物群体的行为，利用群体间的信息交流与合作，通过简单有限的个体间互动来达到优化的目的。 群体智能（Swarm Intelligence, SI）由Gerardo Beni和Jing Wang于1989年首次提出，是研究由大量简单个体构成的群体系统的学科。与个体的智能相比，这些群体系统往往并没有复杂精细的内部设计，但基于简单的个体与规则，它们具有更强的鲁棒性、稳定性和适应性。群体智能方法处理的最典型问题就是优化问题。优化问题的基础性能够较为直观地体现群体方法的理论特性，辅助其理论研究，同时也具有重要的应用价值，进一步推动了群体智能算法的发展。与传统的优化算法相比，基于仿生学的群体智能优化算法本质上是一种概率并行搜索算法。其寻优速度更快，能更有效地搜索复杂优化问题的全局最优解。 常见的群体智能优化算法有蚁群算法（Ant Colony Optimization，ACO）、粒子群 ...

鲸鱼优化算法 鲸鱼群体 鲸鱼是世界上最大的哺乳动物，是有情感的高智商动物，大部分鲸鱼被认为是食肉动物且群居。座头鲸是最大的长须鲸之一，它们使用一种独特的捕猎方式来猎食虾群和鱼群，被称为泡泡网（Bubble-net）捕猎方式，如图4、图5所示。它们在捕食时以螺旋式逼近猎物，吐出气体形成气泡，迫使鱼群聚集以方便捕食。鲸鱼优化算法便是受启发于鲸鱼（特别是座头鲸）的捕猎方式。 图4：“泡泡网”捕猎示意图，引用自论文《The whale optimization algorithm》 图5：座头鲸捕猎场景 模型与算法 鲸鱼优化算法与灰狼优化算法相似，都采用对目标位置先进行包围再捕食的策略。不同点在于鲸鱼优化算法直接将当前最优解作为包围中心，且鲸鱼优化算法的捕猎逼近过程分为两种，第一种逐步降低距离，另一种以螺旋形逼近。鲸鱼优化算法的基本位置更新方式与灰狼优化算法相同，见灰狼优化算法公式(1)至(4)。 鲸鱼优化算法基于一个随机数p∈[0,1]来决定当前搜索单元的行动，有50%的概率直接根据目标位置进行移动，有50%的概率以螺旋线逼近猎物。鲸鱼在捕猎时的行为被定义为： X⃗(t+1)={X ...

灰狼优化算法 灰狼群体 灰狼属于犬科动物，被认为是顶级的掠食者，它们处于生物圈食物链的顶端。灰狼大多喜欢群居，每个群体中平均有5至12只狼。灰狼群体有着严格的社会等级制度，如图1所示，其中α是狼群的领导者，负责所有决策；β协助α进行决策，必要时进行接替，地位仅次于α；δ则服从于α和β，负责放哨、侦察等事务；ω处于社会底层，是不可缺少的普通狼，负责种群内部关系的平衡。 图1：灰狼的等级制度，引用自论文《Grey Wolf Optimizer》 集体狩猎是灰狼的一种社会行为，社会等级在集体狩猎过程中发挥着重要的作用，捕食的过程在α的带领下完成。主要包括三个步骤：1）跟踪和接近猎物；2）骚扰、追捕和包围猎物，直到它停止移动；3）攻击猎物。灰狼的集体狩猎行为如图2所示。 图2：灰狼集体狩猎行为，引用自论文《Grey Wolf Optimizer》 模型与算法 灰狼优化算法的主要思路是假设α、β、δ更了解猎物的潜在位置，即优化问题的决策空间中最佳解决方案所在的位置，其他灰狼个体依据α、β、δ的位置来更新其自身位置，逐渐逼近猎物（最优解）。算法直接将前３匹适应度最高的狼分别定义为α，β和 ...

注意：该方法仅可用于替代手动刷新页面并选择课程，不影响选课的公平性 下载安装“按键精灵” 运行软件后，在新建脚本中选择新建空白脚本 进入脚本后选择上方“普通”旁边的“源文件”，并粘贴入如下内容。 12345678910d = 30000MoveTo 1285,376LeftClick 1Delay 1000MoveTo 293,538LeftClick 1Delay 1000MoveTo 1756, 246LeftClick 1Delay d （注意三处MoveTo后的坐标分别为“查询”按钮、查询结果中第一项课程前的勾选框，“提交”按钮的坐标位置，不同电脑按钮坐标可能不同，可用软件里的“抓抓”功能获取各个按钮的坐标并进行修改） 完成脚本后保存退出 按电脑键盘上相应热键可启动或停止脚本，热键可设置 使用时需先进入“自由选课”，并在搜索框中输入想选课程的全称，然后启动脚本 使用脚本时不能使用电脑做其他事 时间设置为30s抢一次，可更改 可按顺序加入更多勾选框坐标，以实现同一时间抢多门具有相同特征的课程（例如网课） — 2019年12月

暂时记录两种方式，分别为使用“pydub+ffmpeg+simpleaudio”和“librosa+simpleaudio”，推荐第二种 使用pydub库读取音频、simpleaudio库播放音频 环境配置 Windows10环境下 pip install pydub pip install simpleaudio 安装ffmpeg 从https://www.gyan.dev/ffmpeg/builds/下载ffmpeg（压缩包），解压后将bin文件所在位置加入Path环境变量，并在相应程序中添加一行代码。具体操作参考以下三个链接： https://blog.csdn.net/qq_38161040/article/details/91654183 https://cloud.tencent.com/developer/article/1702673 https://www.freesion.com/article/6184901177/ 注意该步骤不是用pip安装 重启计算机！（重要） 代码示例 12345678910111213141516171819 ...