AI情感音乐生成器

跨象乘云™ 开发了多个真实的商业级项目实训案例,通过完整的『端到端』业务流程演示与上机操作训练,让学生真正了解人工智能行业背景以及企业实施技术需求,通过直观而具备针对性的训练使学生在最短时间内得到应用技术技能的提升,更进一步满足职业岗位对工作技能的需求。从而使学生能够学习到:

  1. 从宏观上理解深度学习与新一代人工智能的整体业务流程,项目开发资源组织方式,以及系统组件部署模式;包括:Docker 容器技术,神经网络可编程服务接口,TensorFlow 等深度学习框架在内的人工智能核心技术,实现技术整合与解决方案设计;
  2. 人工智能项目开发的全生命周期,并且通过定义一组共同的目标、数据源、技术、团队和战略规划来启动人工智能开发项目;
  3. 如何在人工智能项目前期完成收集、分析、预处理和标注数据任务。同时对比各种深度学习框架,选择满足需要的最佳框架,完成软硬件选型;
  4. 设置包括数据,算法模型,计算资源在内的实验性基础设施,挑选合适的深度学习模型,完成模型训练,并且通过反复测试验证操作获得理想的结果;
  5. 完成将模型从测试平台到上限部署,将应用从原型发展到可运行的 WEB 应用程序;

完成项目实训后,学生将能深刻认知深度学习与新一代人工智能的应用场景以及价值,并通过参与商业级人工智能项目开发,了解相关项目的开发流程以及项目管理重点。项目案例提供完整的源代码及运行环境配置模板,使学生不但能在实训环节中重现该应用程序项目,更可以通过举一反三的方式,从实例(如:鸢尾花的数据集)中提取抽象理论(基于特征集的分类算法模型);再返回应用至更多的实例(如:通过定义新的特征集对购物者进行分类,从而挖掘潜在高净值消费者)中,从而创造出更多的人工智能应用。

项目界面

AI 情感音乐生成器
AI 情感音乐生成器

项目背景

除自然语言理解(NLU)外,情感计算(Affective Computing)也成为近年来 AI 领域热门的研究方向之一。李飞飞曾表示:情感计算将成为 AI 战略高地 —— 『下一步人工智能的发展,需要加强对情感和情绪的了解,要走进认知学,心理学。我说的不仅是脑科学,而是认知学。因为我们目前对人的情感理解非常少,而这对于人工智能来说是很重要的』。

情感对于人类的智力、理性决策、社交、感知、记忆和学习以及创造都有很重要的作用,甚至有研究显示『人类交流中 80% 的信息都是情感性的信息』。但为什么不是内容,而是情感能传递最多的状态信息呢?其实从认知科学角度来看,情感本身是高级智能的一部分。作为大脑运行资源的调配者,情感状态的不同会导致大脑计算和分配资源的方式有巨大差异,思维执行路径也会完全不同。另外,人类进化使其情感判断的准确性不断提高,不断的正向反馈也使得我们越来越依赖用识别对方情感的方法来判断其行为倾向,甚至已经成为自动运行的认知方式了。

由于情感在人类信息沟通中的意义重大,所以情感计算是实现人性化的人机交互过程中必不可少的部分,情感识别与理解技术也是人机交互的基础性技术之一。在此基础上,『需求分析』、『深度用户建模』、『情感表达』、『人性化交互体验』等更深入的交互设计才能成为可能。

项目目标

本项目为任务驱动式,基于情感计算的综合实训项目,面向具备软件工程背景,并初次接触新一代人工智能的学生,通过企业级智能化软件开发项目,锻炼学生在智能化软件开发工程项目的综合能力 —— 不但使学生具备 AI 软件开发工程师在人工智能工具应用、人工智能基础设施选型与架构部署,人工智能应用测试与上线,智能化软件编码开发和人工智能的实际应用等技术能力。同时,更进一步锻炼学生在项目管理,产品设计,数据科学等方面的综合能力。利用情感音乐创作工作室项目案例,介绍基于 AI 技术的情感分析电影制作应用程序项目及软件开发工程模型,是一个基于用户自上传图像实现人工智能情感分析并完成音乐创作的 WEB 服务应用程序,覆盖深度学习与新一代人工智能项目开发全流程,包含 23 个以上分解实验,提供从数据标注,容器移动开发,图像数据搜索,数据探索,情感分类,数据预处理与增强,卷积神经网络图像识别,模型调优及超参数调整,音乐数据集情感转换,人工智能音乐生成器模型部署等完整『端到端』项目贯穿式学习实验指导。

端到端人工智能软件开发流程
端到端人工智能软件开发流程

人工智能技术应用

本项目着重培养学生在深度学习与新一代人工智能在 Docker  容器基础架构、KERAS  神经网络 API、面向机器智能的 TensorFlow 软件库以及 Caffe 深度学习网络上的技术能力。并完整覆盖智能化软件工程开发项目的完整流程,包括 ——

  • 工程构思:定义业务目标、数据源、技术限制、团队和战略规划,并启动项目。
  • 训练数据:了解如何收集、分析、预处理和注释数据。
  • 智能+ 技术:浏览各种框架,选择符合项目需求和长期目标的框架,寻找可用的数据中心或云计算选项,以满足您的计算需求。
  • 训练模型:学习如何设置实验基础设施,选择模型,训练模型并将模型迭代到您满意的程度。
  • 部署应用:将配备了易于使用的 WEB 接口的模型投入生产(适用于面向用户的智能+ 应用)。