目前我能想到的办法是这样的：
1，提取照片中的实体特征，借用某个pre-trained model进行tag标记。
2，将特征组合起来，形成一个bag-of-word model，然后将这个向量作为输入。进入CNN。
3，手动对照片贴标签，主要是对情感进行分类（如：安静、快乐，这样可以直观调节旋律）
4，将图片本身的这个特征向量，与情感标签一起作为旋律的生成参数。
首先要做的是提取照片中的实体特征。这是一个非常庞大的工程，需要很多的预训练。但是幸运地是，我手上的Azure付费订阅，可以支撑微软的Cognitive Service平台。
https://azure.microsoft.com/zh-cn/services/cognitive-services
不得不承认今年微软的Cognitive Service在功能上又有了一些强化，增加了QnA Maker、说话人识别等一系列很实用的API，为我之后的很多idea提供了方便，而且更重要的是，微软恰巧也强化了原来的计算机视觉API，现在的计算机视觉API相比之前的已经进化了很多。以前如果我放一个面包的照片，它最多返回一个“Food”标签。而现在，它不仅返回了Result分类结果，还返回了一大堆tag，请看下面两张图片：
尽管最近微软缩减了各个俱乐部的经费，我还是要在这里大喊三声：
微软大法好！
微软大法好！
微软大法好！
好了，那么这个tag就处理完毕。接下来我们要处理的是bag-of-word model。这个思想很简单，想象一个向量空间，我们把所有的词汇都映射成一个向量，那么这个向量的特征和这个词的特征是挂钩的，相似的词语会很近，而相反的词语会几乎线性相关。目前将词转换为向量的成熟方案是word2vec，英文上最出名、实用的应该是C&W 2008模型，中文方面没有业界知名的模型，但是我推荐这个：
http://spaces.ac.cn/archives/4304/
我个人觉得非常地好用。
那么我以C&W 2008模型举例，取词向量dimension = 50，那么我们将所有的向量相加（反正没有相互联系），得到一个综合向量，再作为卷积网络的输出即可。
卷积神经网络的结构我之后再继续讲述，最后讲一下怎么对图片手动贴标签。在我的设想中，这个标签应该是直观的情感标签，是一个人类看到这张图片所有的直觉反应。
所以我设想，将标签设为：生、老、病、死、爱别离、怨憎会、求不得、五阴炽盛
平静、快乐、悲伤、惊奇、厌恶、愤怒……
之后通过神经网络进行multi-labeled classification。