关于生成网络这边，可能会做一个深度的受限玻尔兹曼机，这样可以保证生成的音乐不会太相似。
情绪识别网络和生成网络的耦合，中间变量可能直接就是一个one-hot向量，用来标注指定的情绪，不做成坐标那种难以训练的模型。