数据处理工作：模型数据输入为30首古筝名曲的midi音乐，选取了最主要用的音轨，然后将单音符的音调与和弦提取出来，转化为字符串，并返回用整数表示的每个音调的正常顺序。将字符串列表去重后，建立了Python字典，以此每段音乐都用字符串对应的数字表示；模型设计工作：从球形高斯分布中采样随机向量z，并通过一系列转置卷积操作，以向上采样并生成输出数据x=G(z)，该数据被输入向下采样卷积（其网络结构和生成器对称）的鉴别器网络D，以评估真实分布和生成的分布之间的发散程度，在GPU上训练实现了一个生成式的模型G，为每个音符高效的生成音频旋律。模型输入为一段时间的音符，目标输出为下一个时间步的音符；模型训练工作：模型一共训练了100轮，为了使得网络产生的音乐能达到“以假乱真”的效果，在模型结构不变的情况下，分别取lr、momentu和alpha不同的值对模型进行训练，当训练轮次增加到500，批量增加到20时模型达到收敛的效果。