如何快速實現REST API集成以優化業務流程
? ? ? ?加載預訓練好的音頻擴散模型Audio?Diffusion（用于生成音頻的梅爾譜圖）
# 加載一個預訓練的音頻擴散模型管線
device = "cuda" if torch.cuda.is_available() else "cpu"
pipe = DiffusionPipeline.from_pretrained("teticio/audio-diffusion-
instrumental-hiphop- 256").to(device)
Fetching 5 files: 0%| | 0/5 [00:00<? , ?it/s]? ?對pipe進行一次采樣
# 在管線中采樣一次并將采樣結果顯示出來
output = pipe()
display(output.images[0])
display(Audio(output.audios[0], rate=pipe.mel.get_sample_rate()))? ?采樣結果，如下圖所示：
? ?上述代碼中，rate參數表示音頻的采樣率，下面我們查看一下音頻序列和頻譜
# 音頻序列
output.audios[0].shape
# 輸出
(1, 130560)# 輸出的圖像（頻譜）
output.images[0].size
# 輸出
(256, 256)音頻并非由擴散模型直接生成的，而是類似于無條件圖像生成管道那樣，使用一個2D UNet網絡結構來生成音頻的頻譜，之后經過后處理轉換為最終的音頻。
? ? ? ?音頻的”波形“在時間上展示了源音頻，例如，音頻的”波形“可能是從麥克風接收到的電信號。這種”時域“上的表示處理起來比較棘手，因此通常會轉換為頻譜來處理，頻譜能夠直接展示不同頻率（y軸）和時間（x軸）的強度。
# 使用torchaudio模塊計算并繪制所生成音頻樣本的頻譜，如圖8-2所示
spec_transform = AT.Spectrogram(power=2)
spectrogram = spec_transform(torch.tensor(output.audios[0]))
print(spectrogram.min(), spectrogram.max())
log_spectrogram = spectrogram.log()
lt.imshow(log_spectrogram[0], cmap='gray');
tensor(0.) tensor(6.0842)??頻譜圖，如下所示：
?以上圖剛剛生成的音頻樣本為例，頻譜的取值范圍是0.0000000000001~1，其中大部分值接近取值下限，這對于可視化和建模來說不太理想，為此，我們使用了梅爾頻譜（Mel spectrogram）對不同頻率進行一些變換來符合人耳感知特性，下圖展示了torchaudio音頻轉換方法：
幸運的是，我們使用mel功能可以忽略這些細節，就能吧頻譜轉換成音頻：
a = pipe.mel.image_to_audio(output.images[0])
a.shape
# 輸出
(130560,)讀取源音頻數據，然后調用audio_slice_to_image()函數，將源音頻數據轉換為頻譜圖像。同時較長的音頻片段也會自動切片，以便可以正常輸出256X256像素的頻譜圖像，代碼如下：
pipe.mel.load_audio(raw_audio=a)
im = pipe.mel.audio_slice_to_image(0)
im
音頻被表示成一長串數字數組。若想播放音頻，我們需要采樣率這個關鍵信息。
? ? ? ?我們查看一下單位時間音頻的采樣點有多少個？
sample_rate_pipeline = pipe.mel.get_sample_rate()
sample_rate_pipeline
# 輸出
22050如果設置別的采樣率，那么會得到一個加速或者減速播放的音頻，比如：
display(Audio(output.audios[0], rate=44100)) # 播放速度被加倍? ? ? ?在了解了音頻擴散模型Pipeline使用之后，我們在新的數據集上對其進行微調，我們使用的數據集由不同類別的音頻片段集合組成的，代碼如下：
from datasets import load_dataset
dataset = load_dataset('lewtun/music_genres', split='train')
dataset查看一下該數據集不同類別樣本所占的比例：
for g in list(set(dataset['genre'])):
print(g, sum(x==g for x in dataset['genre']))輸出內容如下：
Pop 945
Blues 58
Punk 2582
Old-Time / Historic 408
Experimental 1800
Folk 1214
Electronic 3071
Spoken 94
Classical 495
Country 142
Instrumental 1044
Chiptune / Glitch 1181
International 814
Ambient Electronic 796
Jazz 306
Soul-RnB 94
Hip-Hop 1757
Easy Listening 13
Rock 3095該數據集已將音頻存儲為數組，代碼如下：
audio_array = dataset[0]['audio']['array']
sample_rate_dataset = dataset[0]['audio']['sampling_rate']
print('Audio array shape:', audio_array.shape)
print('Sample rate:', sample_rate_dataset)
# 輸出
Audio array shape: (1323119,)
Sample rate: 44100PS：該音頻的采樣率更高，要使用該Pipeline，就需要對其進行”重采樣“。音頻也比Pipeline預設的長度要長，在調用pipe.mel加載該音頻時，會被自動切片為較短的片段。代碼如下：
a = dataset[0]['audio']['array'] # 得到音頻序列
pipe.mel.load_audio(raw_audio=a) # 使用pipe.mel加載音頻
pipe.mel.audio_slice_to_image(0) # 輸出第一幅頻譜圖像
sample_rate_dataset = dataset[0]['audio']['sampling_rate']
sample_rate_dataset
# 輸出
44100??從上述代碼結果可以看出，該數據集的數據在每一秒都擁有兩倍的數據點，因此需要調整采樣率。這里我們使用torchaudio transforms(導入為AT)進行音頻重采樣，并使用Pipeline的mel功能將音頻轉換為頻譜圖像，然后使用torchvision transforms（導入為IT）將頻譜圖像轉換為頻譜張量。一下代碼中的to_image()函數可以將音頻片段轉換為頻譜張量，供訓練使用：
resampler = AT.Resample(sample_rate_dataset, sample_rate_pipeline,
dtype=torch.float32)
to_t = IT.ToTensor()
def to_image(audio_array):
audio_tensor = torch.tensor(audio_array).to(torch.float32)
audio_tensor = resampler(audio_tensor)
pipe.mel.load_audio(raw_audio=np.array(audio_tensor))
num_slices = pipe.mel.get_number_of_slices()
slice_idx = random.randint(0, num_slices-1) # 每次隨機取一張（除了
# 最后那張）
im = pipe.mel.audio_slice_to_image(slice_idx)
return im整理微調數據
def collate_fn(examples):
# 圖像→張量→縮放至(-1,1)區間→堆疊
audio_ims = [to_t(to_image(x['audio']['array']))*2-1 for x in
examples]
return torch.stack(audio_ims)
# 創建一個只包含Chiptune/Glitch（芯片音樂/電子脈沖）風格的音樂
batch_size=4 # 在CoLab中設置為4，在A100上設置為12
chosen_genre = 'Electronic' # <<< 嘗試在不同的風格上進行訓練 <<<
indexes = [i for i, g in enumerate(dataset['genre']) if g ==
chosen_genre]
filtered_dataset = dataset.select(indexes)
dl = torch.utils.data.DataLoader(filtered_dataset.shuffle(), batch_
size=batch_size,
collate_fn=collate_fn, shuffle=True)
batch = next(iter(dl))
print(batch.shape)
# 輸出
torch.Size([4, 1, 256, 256])epochs = 3
lr = 1e-4
pipe.unet.train()
pipe.scheduler.set_timesteps(1000)
optimizer = torch.optim.AdamW(pipe.unet.parameters(), lr=lr)
for epoch in range(epochs):
for step, batch in tqdm(enumerate(dl), total=len(dl)):
# 準備輸入圖片
clean_images = batch.to(device)
bs = clean_images.shape[0]
# 為每一張圖片設置一個隨機的時間步
timesteps = torch.randint(
0, pipe.scheduler.num_train_timesteps, (bs,),
device=clean_images.device
).long()
# 按照噪聲調度器，在每個時間步為干凈的圖片加上噪聲
noise = torch.randn(clean_images.shape).to(clean_images.
device)
noisy_images = pipe.scheduler.add_noise(clean_images,
noise, timesteps)
# 得到模型的預測結果
noise_pred = pipe.unet(noisy_images, timesteps, return_
dict=False)[0]
# 計算損失函數
loss = F.mse_loss(noise_pred, noise)
loss.backward(loss)
# 使用優化器更新模型參數
optimizer.step()
optimizer.zero_grad()
# 裝載之前訓練好的頻譜樣本，如圖8-6所示
pipe = DiffusionPipeline.from_pretrained("johnowhitaker/Electronic_
test").to(device)
output = pipe()
display(output.images[0])
display(Audio(output.audios[0], rate=22050))
# 輸入一個不同形狀的起點噪聲張量，得到一個更長的頻譜樣本，如圖8-7所示
noise = torch.randn(1, 1, pipe.unet.sample_size[0],pipe.unet.
sample_size[1]*4).to(device)
output = pipe(noise=noise)
display(output.images[0])
display(Audio(output.audios[0], rate=22050))生成的頻譜，如下圖所示：
生成更長的頻譜樣本，如下圖所示：
文章轉自微信公眾號@ArronAI
