机构名称：
¥ 1.0
要将神经序列模型（例如变形金刚）应用于音乐发电任务，必须通过一系列有限的代币来代表一段音乐。这样的词汇通常涉及各种类型的令牌。例如，要描述音符，一个人需要单独的令牌来指示音符的音高，持续时间，速度（动态）和放置时间（起始时间）。虽然不同类型的令牌可能具有不同的适当性，但现有模型通常以与自然语言建模单词相同的方式对待它们。在本文中，我们提出了一种概念上不同的方法，该方法明确考虑了令牌的类型，例如注释类型和度量标准类型。，我们提出了一种新的变压器解码器 - 使用不同的馈送头来建模不同类型的kens。通过扩展压缩技巧，我们通过对相邻令牌进行分组，大大降低了令牌序列的长度，从而将一段音乐转换为一系列复合单词。我们表明，在动态有向超图中，可以将结果模型视为学习者。，我们采用它来学会创作全面的长度长度（每首歌曲最多涉及10k个个人to-kens）的表现力的流行钢琴音乐，无论是有条件地和无条件的）。我们的实验表明，与最先进的模型相比，所提出的模型在训练时收敛了5至10倍（即，在一天的GPU上，在具有11 GB内存的单个GPU上），并且在生成的音乐中具有可比的质量。
复合单词变压器：学习构成全...
主要关键词
相关文件推荐
