DL之RNN：人工智能为你写歌词(林夕写给陈奕迅)——基于TF利用RNN算法实现【机器为你作词】、训练测试过程全记录
2024-06-10 19:10:14
DL之RNN：人工智能为你写歌词(林夕写给陈奕迅)——基于TF利用RNN算法实现【机器为你作词】、训练&测试过程全记录
目录
输出结果
模型监控
训练、测试过程全记录
训练的数据集
输出结果
1、test01
你的背包
一个人过我 谁不属了
不甘心 不能回头我的背包载管这个
谁让我们是要不可
但求跟你过一生你把我灌醉
即使嘴角从来未爱我
煽到你脖子
谁能凭我的比我
无赏
其实我的一切麻痹 我听过
不能够大到
爱人没有用
你想去哪里
如果美好不变可以
我会珍惜我最爱我想将
鼓励爱你的
为何爱你不到你我会加油工作争取享受和拼搏
三餐加一宿光档也许会寂寞
你想将
双手的温暖附托是你不知
但无守没抱过
不影响你不敢哭
其实没有火花 没抱动
不能够沉重
从来未休疚不够你不会
请你 这些眼发后没有手机的日子2、test02
谁来请你坐
全为你分声不需可怕
没有人机有几敷衍过的
难道再侣 被不想去为你
不如这样
你不爱你的
没有人歌颂
全一边扶暖之远一天一百万人
拥有殿军我想到我多 你真爱
从来未爱我 我们在
我有我是我们憎我 我不属于我
我想将你的背包
原来不能回到你一起
难道我是谁也爱你 要不属力 不知道明年今日
明年今日 不是我不得到
爱你的背上我要
从来未不肯会 就要你不有我会拖手会不会
难道我跟我眼睛的错
全为这世上谁是你
不够爱你的汗
谁能来我的比你闷
不具名的演员没得到手的故事
不够含泪一个人 这么迂会
我们在3、test03
谁来请你坐
全为你分声不需可怕
没有人机有几敷衍过的
难道再侣 被不想去为你
不如这样
你不爱你的
没有人歌颂
全一边扶暖之远一天一百万人
拥有殿军我想到我多 你真爱
从来未爱我 我们在
我有我是我们憎我 我不属于我
我想将你的背包
原来不能回到你一起
难道我是谁也爱你 要不属力 不知道明年今日
明年今日 不是我不得到
爱你的背上我要
从来未不肯会 就要你不有我会拖手会不会
难道我跟我眼睛的错
全为这世上谁是你
不够爱你的汗
谁能来我的比你闷
不具名的演员没得到手的故事
不够含泪一个人 这么迂会
我们在模型监控
训练、测试过程全记录
1、训练过程
2018-10-14 07:31:33.515130: I tensorflow/core/platform/cpu_feature_guard.cc:141] Your CPU supports instructions that this TensorFlow binary was not compiled to use: AVX2
step: 10/10000... loss: 5.9560... 0.1500 sec/batch
step: 20/10000... loss: 5.8495... 0.1300 sec/batch
step: 30/10000... loss: 5.6970... 0.1600 sec/batch
step: 40/10000... loss: 5.5893... 0.1300 sec/batch
step: 50/10000... loss: 5.4582... 0.1300 sec/batch
step: 60/10000... loss: 5.3003... 0.1400 sec/batch
step: 70/10000... loss: 5.2871... 0.1600 sec/batch
step: 80/10000... loss: 5.3841... 0.1500 sec/batch
step: 90/10000... loss: 5.2470... 0.1400 sec/batch
step: 100/10000... loss: 5.3061... 0.1500 sec/batch……step: 950/10000... loss: 4.0972... 0.1600 sec/batch
step: 960/10000... loss: 3.9542... 0.1900 sec/batch
step: 970/10000... loss: 4.0406... 0.1500 sec/batch
step: 980/10000... loss: 4.1385... 0.1400 sec/batch
step: 990/10000... loss: 3.9897... 0.1600 sec/batch
step: 1000/10000... loss: 3.9653... 0.1400 sec/batch
step: 1010/10000... loss: 4.0501... 0.1300 sec/batch
step: 1020/10000... loss: 3.9391... 0.1200 sec/batch
step: 1030/10000... loss: 4.1195... 0.1400 sec/batch
step: 1040/10000... loss: 3.9310... 0.1300 sec/batch
step: 1050/10000... loss: 3.8972... 0.1200 sec/batch
step: 1060/10000... loss: 3.9801... 0.1200 sec/batch
step: 1070/10000... loss: 4.0620... 0.1200 sec/batch
step: 1080/10000... loss: 3.8817... 0.1200 sec/batch
step: 1090/10000... loss: 3.9839... 0.1301 sec/batch
step: 1100/10000... loss: 3.9646... 0.1479 sec/batch……step: 4980/10000... loss: 2.8199... 0.1200 sec/batch
step: 4990/10000... loss: 2.9057... 0.1200 sec/batch
step: 5000/10000... loss: 2.8073... 0.1300 sec/batch
step: 5010/10000... loss: 2.6680... 0.1200 sec/batch
step: 5020/10000... loss: 2.7442... 0.1200 sec/batch
step: 5030/10000... loss: 2.7590... 0.1300 sec/batch
step: 5040/10000... loss: 2.6470... 0.1300 sec/batch
step: 5050/10000... loss: 2.7808... 0.1200 sec/batch
step: 5060/10000... loss: 2.7322... 0.1200 sec/batch
step: 5070/10000... loss: 2.8775... 0.1200 sec/batch
step: 5080/10000... loss: 2.8139... 0.1200 sec/batch
step: 5090/10000... loss: 2.7857... 0.1200 sec/batch
step: 5100/10000... loss: 2.7652... 0.1200 sec/batch
step: 5110/10000... loss: 2.8216... 0.1200 sec/batch
step: 5120/10000... loss: 2.8843... 0.1200 sec/batch
step: 5130/10000... loss: 3.0093... 0.1300 sec/batch
step: 5140/10000... loss: 2.7560... 0.1200 sec/batch
step: 5150/10000... loss: 2.7263... 0.1200 sec/batch
step: 5160/10000... loss: 2.8014... 0.1200 sec/batch
step: 5170/10000... loss: 2.7410... 0.1200 sec/batch
step: 5180/10000... loss: 2.7335... 0.1200 sec/batch
step: 5190/10000... loss: 2.8362... 0.1200 sec/batch
step: 5200/10000... loss: 2.6725... 0.1300 sec/batch……step: 9690/10000... loss: 2.3264... 0.1463 sec/batch
step: 9700/10000... loss: 2.5150... 0.1425 sec/batch
step: 9710/10000... loss: 2.3348... 0.1200 sec/batch
step: 9720/10000... loss: 2.4240... 0.1277 sec/batch
step: 9730/10000... loss: 2.4282... 0.1293 sec/batch
step: 9740/10000... loss: 2.5858... 0.1232 sec/batch
step: 9750/10000... loss: 2.2951... 0.1305 sec/batch
step: 9760/10000... loss: 2.3257... 0.1263 sec/batch
step: 9770/10000... loss: 2.4495... 0.1253 sec/batch
step: 9780/10000... loss: 2.4302... 0.1289 sec/batch
step: 9790/10000... loss: 2.5102... 0.1299 sec/batch
step: 9800/10000... loss: 2.8486... 0.1254 sec/batch……step: 9900/10000... loss: 2.4408... 0.1330 sec/batch
step: 9910/10000... loss: 2.5797... 0.1275 sec/batch
step: 9920/10000... loss: 2.4788... 0.1384 sec/batch
step: 9930/10000... loss: 2.3162... 0.1312 sec/batch
step: 9940/10000... loss: 2.3753... 0.1324 sec/batch
step: 9950/10000... loss: 2.5156... 0.1584 sec/batch
step: 9960/10000... loss: 2.4312... 0.1558 sec/batch
step: 9970/10000... loss: 2.3816... 0.1279 sec/batch
step: 9980/10000... loss: 2.3760... 0.1293 sec/batch
step: 9990/10000... loss: 2.3829... 0.1315 sec/batch
step: 10000/10000... loss: 2.3973... 0.1337 sec/batch训练的数据集
1、训练的数据集为林夕写给陈奕迅的歌词，来源于网络
陈奕迅 - 梦想天空分外蓝
一天天的生活
一边怀念 一边体验
刚刚说了再见 又再见
一段段的故事
一边回顾 一边向前
别人的情节总有我的画面
只要有心就能看见
从白云看到 不变蓝天
从风雨寻回 梦的起点
海阔天空的颜色
就像梦想那么耀眼
用心就能看见
从陌生的脸 看到明天
从熟悉经典 翻出新篇
过眼的不只云烟
有梦就有蓝天
相信就能看见
美梦是个气球
签在手上 向往蓝天
不管高低不曾远离 我视线
生命是个舞台
不用排练 尽情表演
感动过的片段百看不厌
只要有心就能看见
从白云看到 不变蓝天
从风雨寻回 梦的起点
海阔天空的颜色
就像梦想那么耀眼
用心就能看见
从陌生的脸 看到明天
从熟悉经典 翻出新篇
过眼的不只云烟
相信梦想就能看见
有太多一面之缘 值得被留恋
总有感动的事 等待被发现
梦想天空分外蓝 今夕何年
Oh 看不厌
用心就能看见
从白云看到 不变蓝天
从风雨寻回 梦的起点
海阔天空的颜色
就像梦想那么耀眼
用心就能看见
从陌生的脸 看到明天
从熟悉经典 翻出新篇
过眼的不只云烟
有梦就有蓝天
相信就能看见美梦是个气球
签在手上 向往蓝天
不管高低不曾远离 我视线
梦想是个诺言
记在心上 写在面前
因为相信 所以我看得见DL之RNN：人工智能为你写歌词(林夕写给陈奕迅)——基于TF利用RNN算法实现【机器为你作词】、训练测试过程全记录相关推荐
- DL之RNN：人工智能为你写周董歌词——基于TF利用RNN算法实现【机器为你作词】、训练测试过程全记录
DL之RNN:人工智能为你写周董歌词--基于TF利用RNN算法实现~机器为你作词~.训练&测试过程全记录 目录 输出结果 模型监控 训练.测试过程全记录 训练的数据集 输出结果 1.test0 ...
- DL之RNN：人工智能为你写小说——基于TF利用RNN算法训练数据集(William Shakespeare的《Coriolanus》)替代你写英语小说短文、训练测试过程全记录
DL之RNN:基于TF利用RNN算法训练数据集(William Shakespeare的<Coriolanus>)替代你写英语小说短文.测试过程全记录 目录 输出结果 监控模型 训练过程全 ...
- DL之RNN：人工智能为你写代码——基于TF利用RNN算法实现生成编程语言代码(C++语言)、训练测试过程全记录
DL之RNN:基于TF利用RNN算法实现生成编程语言代码(C语言).训练&测试过程全记录 目录 输出结果 监控模型 训练&测试过程全记录 训练的数据集展示 输出结果 1.test01 ...
- DL之RNN：基于TF利用RNN实现简单的序列数据类型(DIY序列数据集)的二分类(线性序列随机序列)
DL之RNN:基于TF利用RNN实现简单的序列数据类型(DIY序列数据集)的二分类(线性序列&随机序列) 目录 序列数据类型&输出结果 设计思路 序列数据类型&输出结果 1.t ...
- DL之CycleGAN：基于TF利用CycleGAN模型对apple2orange数据集实现图像转换—训练测试过程全记录
DL之CycleGAN:基于TF利用CycleGAN模型对apple2orange数据集实现图像转换-训练&测试过程全记录 目录 apple2orange数据集 输出结果 训练&测试过 ...
- DL之pix2pix：基于TF利用pix2pix模型对food_resized数据集实现Auto Color自动上色技术—训练测试过程全记录
DL之pix2pix:基于TF利用pix2pix模型对food_resized数据集实现Auto Color自动上色技术 目录 训练 food_resized数据集展示 TB过程监控 1.SCALAR ...
- DL之SSD：基于tensorflow利用SSD算法实现目标检测(21类)
DL之SSD:基于tensorflow利用SSD算法实现目标检测(21类) 目录 输出结果 SSD代码 输出结果 VOC_LABELS = {'none': (0, 'Background'),'ae ...
- DL之LSTM之MvP：基于TF利用LSTM基于DIY时间训练csv文件数据预测后100个数据(多值预测)状态
DL之LSTM之MvP:基于TF利用LSTM基于DIY时间训练csv文件数据预测后100个数据(多值预测)状态 目录 数据集csv文件内容 输出结果 设计思路 训练记录全过程 数据集csv文件内容 输 ...
- DL之LSTM之UvP：基于TF利用LSTM基于DIY时间训练1200个数据预测后200个数据状态
DL之LSTM之UvP:基于TF利用LSTM基于DIY时间训练1200个数据预测后200个数据状态 目录 输出结果 设计思路 训练记录全过程 输出结果 设计思路 训练记录全过程 INFO:tensor ...
- DL之DCGNN：基于TF利用DCGAN实现在MNIST数据集上训练生成新样本
DL之DCGNN:基于TF利用DCGAN实现在MNIST数据集上训练生成新样本 目录 输出结果 设计思路 实现部分代码 说明:所有图片文件丢失 输出结果 更新-- 设计思路 更新-- 实现部分代码 更 ...
最新文章
- 匹配内容主要分为三部分，负载电容的匹配，驱动功率的调试，负性阻抗的测量。...
- 服务器搭建邮件自动回复,在postfix邮件系统上搭建自动回复邮件系统
- aesecbpkcs5 php_php AES/ECB/PKCS5Padding加密
- Python基础第19天
- Spring-Security 简介、入门案例详解、安全框架、权限验证 SSM项目 使用 JavaConfig配置
- 嵌入式linux调试技术
- Asynchronous（异步处理-Generator）
- 3d激光雷达开发（lidar使用）
- nginx通过反向代理实现未备案域名访问详解
- scala从url或者其他数据源读取数据
- 上海交大计算机基础高万萍老师怎么样,上海交通大学网络教育学院.ppt
- 抖音app用户体验分析
- 联通光纤服务器没有响应怎么办,联通光纤猫断线无法上网等问题不一样的解决方案...
- win10家庭中文版切换语言
- monkey的基本操作命令
- （修订）斩获腾讯微信后台开发offer大神的近1.5W字的面试干货分享
- YOLOv3 物体识别显示中文标签
- java调用阿里云api发送短信验证服务
- 【无人机 学习笔记 1】无人机导航技术及其特点分析
- Matplotlib画蜡烛图