接着须要定义 timestep ，可见层和隐蔽层的大年夜小。

4.更新变量：

size_bt = tf. CA 
 
st（tf.shape（x）[0], tf.float32） 
 
W_adder = tf.mul（lr/size_bt, tf.sub（tf.matmul（tf.transpose（x）, h）, tf.matmul（tf.transpose（x_sample）, h_sample））） 
 
bv_adder = tf.mul（lr/size_bt, tf.reduce_sum（tf.sub（x, x_sample）, 0, True）） 
 
bh_adder = tf.mul（lr/size_bt, tf.reduce_sum（tf.sub（h, h_sample）, 0, True）） 
 
#When we do sess.run（updt）, TensorFlow will run all 3 update steps 
 
updt = [W.assign_add（W_adder）, bv.assign_add（bv_adder）, bh.assign_add（bh_adder）] 

5.运行 Graph 算法图：

1.先初始化变量

with tf.Session（） as sess: 
 
#First, we train the model 
 
#initialize the variables of the model 
 
init = tf.initialize_all_variables（） 
 
sess.run（init） 

起首须要 reshape 每首歌，以便于响应的向量表示可以更好地被用于练习模型。

for epoch in tqdm（range（num_epochs））: 
 
for song in sonGS: 
 
#The songs are stored in a time x notes format. The size of each song is timesteps_in_song x 2*note_range 
 
#Here we reshape the songs so that each training example is a vector with num_timesteps x 2*note_range elements 
 
song = np.array（song） 
 
song = song[:np.floor（song.shape[0]/num_timesteps）*num_timesteps] 
 
song = np.reshape（song, [song.shape[0]/num_timesteps, song.shape[1]*num_timesteps]） 

2.接下来就来练习 RBM 模型，一次练习一个样本

for i in range（1, len（song）, batch_size）: 
 
tr_x = song[i:i+batch_size] 
 
sess.run（updt, feed_dict={x: tr_x}） 

模型完全练习好后，就可以用来生成 music 了。

3.须要练习 Gibbs chain

个中的 visible nodes 先初始化为0，来生成一些样本。

然后把向量 reshape 成更好的格局来 playback。

sample = gibbs_sample（1）.eval（session=sess, feed_dict={x: np.zeros（（10, n_visible））}） 
 
for	
			
 3/4   首页 上一页 1 2 3 4 下一页 尾页
	
			

　　推荐阅读
　　垃圾收集转运处理将信息化监管
            
            日前，四川省当局印发《四川省城乡垃圾处理举措措施扶植三年推动筹划》(以下简称《筹划》)。《筹划》提出，到2019岁尾，我省生活垃圾无害化处理才能将达7.05万吨/日，生活垃圾处理举措措施>>>详细阅读


本文标题：如何用 TensorFlow 教机器人作曲？秘诀原来是这样
地址：http://www.17bianji.com/lsqh/35102.html
 1/2    1