2.使用RNN做诗歌生成
诗歌生成比分类问题要稍微麻烦一些,而且第一次使用RNN做文本方面的问题,还是有很多概念性的东西~~~
数据下载:
链接:https://pan.baidu.com/s/1uCDup7U5rGuIlIb-lnZgjQ
提取码:f436
data.py——数据处理
![](/assets/blank.gif)
![](/assets/blank.gif)
1 importnumpy as np2 importos3 4 defget_data(conf):5 ''' 6 生成数据7 :param conf: 配置选项,Config对象8 :return: word2ix: 每个字符对应的索引id,如u'月'->1009 :return: ix2word: 每个字符对应的索引id,如100->u'月'10 :return: data: 每一行是一首诗对应的字的索引id11 ''' 12 ifos.path.exists(conf.pickle_path):13 14 datas = np.load(conf.pickle_path) #np数据文件 15 data = datas['data']16 ix2word = datas['ix2word'].item()17 word2ix = datas['word2ix'].item()18 return data, word2ix, ix2word
View Code
config.py——配置文件
![](/assets/blank.gif)
![](/assets/blank.gif)
1 classConfig(object):2 """Base configuration class.For custom configurations, create a3 sub-class that inherits from this one and override properties that4 need to changed5 """ 6 7 #模型保存路径前缀(几个epoch后保存) 8 model_prefix = 'checkpoints/tang' 9 10 #模型保存路径 11 model_path = 'checkpoints/tang.pth' 12 13 #start words 14 start_words = '春江花月夜' 15 16 #生成诗歌的类型,默认为藏头诗 17 p_type = 'acrostic' 18 19 #训练次数 20 max_epech = 200 21 22 #数据存放的路径 23 pickle_path = 'data/tang.npz' 24 25 #mini批大小 26 batch_size =128###128 27 28 #dataloader加载数据使用多少进程 29 num_workers = 4 30 31 #LSTM的层数 32 num_layers = 2 33 34 #词向量维数 35 embedding_dim = 128 36 37 #LSTM隐藏层维度 38 hidden_dim = 256 39 40 #多少个epoch保存一次模型权重和诗 41 save_every = 10 42 43 #训练是生成诗的保存路径 44 out_path = 'out' 45 46 #测试生成诗的保存路径 47 out_poetry_path = 'out/poetry.txt' 48 49 #生成诗的最大长度 50 max_gen_len = 200 51 use_gpu=True
View Code
model.py——模型
![](/assets/blank.gif)
![](/assets/blank.gif)
1 importtorch.nn as nn2 importtorch3 classPoetryModel(nn.Module):4 def __init__(self, vocab_size, conf, device):5 super(PoetryModel, self).__init__()6 self.num_layers =conf.num_layers7 self.hidden_dim =conf.hidden_dim8 self.device =device9 #定义词向量层 10 self.embeddings = nn.Embedding(vocab_size, conf.embedding_dim)#(词库个数,词向量维度) 11 #定义2层的LSTM,并且batch位于函数参数的第一位 12 self.lstm = nn.LSTM(conf.embedding_dim, conf.hidden_dim, num_layers=self.num_layers)13 #定义全连接层,后接一个softmax进行分类 14 self.linear_out =nn.Linear(conf.hidden_dim, vocab_size)15 16 def forward(self, input, hidden=None):17 ''' 18 :param input: (seq,batch)19 :return: 模型的结果20 ''' 21 seq_len, batch_size =input.size()22 embeds = self.embeddings(input) #embeds_size:(seq_len,batch_size,embedding_dim) 23 if hidden isNone:24 h0 =torch.zeros(self.num_layers, batch_size, self.hidden_dim).to(self.device)25 c0 =torch.zeros(self.num_layers, batch_size, self.hidden_dim).to(self.device)26 else:27 h0, c0 =hidden28 output, hidden = self.lstm(embeds, (h0, c0))#(seq_len,batch_size,隐藏层维度) 29 30 31 output = self.linear_out(output.view(seq_len * batch_size, -1)) #output_size:(seq_len*batch_size,vocab_size) 32 return output, hidden
View Code
train.py——训练模型
![](/assets/blank.gif)
![](/assets/blank.gif)
1 importtorch2 from torch importnn3 from torch.autograd importVariable4 from torch.optim importAdam5 from torch.utils.data importDataLoader6 7 from data importget_data8 from model importPoetryModel9 from config importConfig10 device=torch.device('cuda:0')11 conf =Config()12 13 def generate(model, start_words, ix2word, word2ix, prefix_words=None):14 ''' 15 给定几个词,根据这几个词接着生成一首完整的诗歌16 ''' 17 print(start_words)18 results =list(start_words)19 start_word_len =len(start_words)20 #手动设置第一个词为<START> 21 #这个地方有问题,最后需要再看一下 22 input = Variable(torch.Tensor([word2ix['<START>']]).view(1, 1).long())23 if conf.use_gpu: input =input.cuda()24 hidden =None25 26 ifprefix_words:27 for word inprefix_words:28 output, hidden =model(input, hidden)29 #下边这句话是为了把input变成1*1? 30 input = Variable(input.data.new([word2ix[word]])).view(1, 1)31 for i inrange(conf.max_gen_len):32 output, hidden = model(input, hidden)#input只有一个词,对应的是'<START>'的序号 33 34 35 if i <start_word_len:36 w =results[i]37 input = Variable(input.data.new([word2ix[w]])).view(1, 1)38 else:39 top_index = output.cpu().data.topk(1)[1][0].numpy()[0]40 41 w =ix2word[top_index]42 results.append(w)43 input = Variable(input.data.new([top_index])).view(1, 1)44 if w == '<EOP>':45 del results[-1] #-1的意思是倒数第一个 46 break 47 returnresults48 49 def gen_acrostic(model, start_words, ix2word, word2ix, prefix_words=None):50 ''' 51 生成藏头诗52 start_words : u'深度学习'53 生成:54 深木通中岳,青苔半日脂。55 度山分地险,逆浪到南巴。56 学道兵犹毒,当时燕不移。57 习根通古岸,开镜出清羸。58 ''' 59 results =[]60 start_word_len =len(start_words)61 input = Variable(torch.Tensor([word2ix['<START>']]).view(1, 1).long())62 if conf.use_gpu: input =input.cuda()63 hidden =None64 65 index = 0 #用来指示已经生成了多少句藏头诗 66 #上一个词 67 pre_word = '<START>' 68 69 ifprefix_words:70 for word inprefix_words:71 output, hidden =model(input, hidden)72 input = Variable(input.data.new([word2ix[word]])).view(1, 1)73 74 for i inrange(conf.max_gen_len):75 output, hidden =model(input, hidden)76 top_index = output.data[0].topk(1)[1][0]77 w =ix2word[top_index]78 79 if (pre_word in {u'。', u'!', '<START>'}):80 #如果遇到句号,藏头的词送进去生成 81 82 if index ==start_word_len:83 #如果生成的诗歌已经包含全部藏头的词,则结束 84 break 85 else:86 #把藏头的词作为输入送入模型 87 w =start_words[index]88 index += 1 89 input = Variable(input.data.new([word2ix[w]])).view(1, 1)90 else:91 #否则的话,把上一次预测是词作为下一个词输入 92 input = Variable(input.data.new([word2ix[w]])).view(1, 1)93 results.append(w)94 pre_word =w95 returnresults96 97 def train(**kwargs):98 99 for k, v inkwargs.items():100 setattr(conf, k, v)101 #获取数据 102 data, word2ix, ix2word =get_data(conf)103 #生成dataload 104 dataloader = DataLoader(dataset=data, batch_size=conf.batch_size,105 shuffle=True,106 drop_last=True,107 num_workers=conf.num_workers)108 #定义模型 109 model =PoetryModel(len(word2ix), conf, device).to(device)110 #model.load_state_dict(torch.load(r'C:\Users\ocean\PycharmProjects\guesswhat_pytorch\checkpoints\tang_0.pth')) 111 #fout = open('%s/p%d' % (conf.out_path, 1), 'w',encoding='utf-8') 112 ## for word in list('春江花月夜'): 113 ## gen_poetry = generate(model, word, ix2word, word2ix) 114 ## fout.write("".join(gen_poetry) + "\n\n") 115 #gen_poetry = generate(model, list("北邮真的号"), ix2word, word2ix) 116 #117 #fout.write("".join(gen_poetry) + "\n\n") 118 #fout.close() 119 #torch.save(model.state_dict(), "%s_%d.pth" % (conf.model_prefix, 1)) 120 121 122 123 #定义优化器 124 optimizer =Adam(model.parameters())125 #定义损失函数 126 criterion =nn.CrossEntropyLoss()127 #开始训练模型 128 for epoch inrange(conf.max_epech):129 epoch_loss =0130 for i, data inenumerate(dataloader):131 132 data = data.long().transpose(1, 0).contiguous()#(sequence长度,batch_size) 133 134 input, target = data[:-1, :], data[1:, :]135 input, target =input.to(device), target.to(device)136 optimizer.zero_grad()137 output, _ =model(input)138 139 loss = criterion(output, target.view(-1))140 141 loss.backward()142 optimizer.step()143 epoch_loss +=loss.item()144 print("epoch_%d_loss:%0.4f" % (epoch, epoch_loss /conf.batch_size))145 if epoch % conf.save_every ==0:146 fout = open('%s/p%d' % (conf.out_path, epoch), 'w',encoding='utf-8')147 for word in list('春江花月夜'):148 gen_poetry =generate(model, word, ix2word, word2ix)149 fout.write("".join(gen_poetry) + "\n\n")150 fout.close()151 torch.save(model.state_dict(), "%s_%d.pth" %(conf.model_prefix, epoch))152 153 154 if __name__ == '__main__':155 156 train()
View Code
最终效果:
春雨,君王背日暮花枝。桂花飘雨裛芙蓉,花蕚垂红绾芙蓉。上天高峨落不归,中有一枝春未老。一枝香蘂红妆结,春风吹花飘落萼。今朝今日凌风沙,今日还家花落早。东风吹落柳条生,柳色参差春水东。昨日风烟花满树,今日东风正如萍。杏园春色不自胜,青春忽倒春风来。春风不哢花枝落,况复春风花满枝。 江上春未央,春光照四面。一日一千里,一朝一瞬息。不如塌然云,不见巢下树。一身一何讬,万事皆有敌。君子不敢横,君心若为役。呜呼两鬓苦,又如寒玉翦。不知何代费,所以心不殒。一朝得之愚,所以心所施。我亦我未领,我来亦未归。始知与君子,不觉身不饥。彭泽有余事,吾君何所为。何以为我人,於今有耆谁。 花间一人家,十五日中见。一朝出门门,不见君子诺。车骑徒自媒,朱绂不能竞。拜军拜车骑,倏忽嫖姚羌。既无征镇愤,慷慨望乡国。一朝辞虏府,暮宿在蓟垒。君子傥封侯,今人在咸朔。英英在其间,日昃不敢作。云山互相见,魏阙空怀戚。何必在沛人,裴回眇眇。所念无穷,斯人不怠。。 月白风来吹,君心不可攀。从来一字内,不觉一朝闲。未达身难弃,衰容事不闲。不忧讥孺子,不觉老农闲。寝食能供给,闲橙媿漉肱。酒阑湘口臥,窗拔峡添灯。静谭畬茶骇,遥闻夜笛闲。芦洲多雨霁,石火带霜蒸。酿酒眠新熟,扁舟醉自闲。夜渔疎竹坞,春水钓渔关。石笋穿云烧,江花带笋斑。此时多好客,不敢问山僧。 夜夜拍人笑,春风弄酒丝。花开桃李岭,花落洞庭春。酒思同君醉,诗成是袜尘。自怜心已矣,何事梦何如。摈世才难易,伤心镜不如。脸如银烛薄,色映玉楼嚬。绣户雕筵软,鸳鸯拂枕春。相逢期洛下,梦想忆扬秦。玉匣调金鼎,金盘染髻巾。鷰人曾有什,山寺不相亲。鹤毳应相毒,蝇蚊爽有真。空余襟袖下,不觉世间人。
参考博客:https://blog.csdn.net/jiangpeng59/article/details/81003058
转载于:https://www.cnblogs.com/tangweijqxx/p/10608997.html
2.使用RNN做诗歌生成相关推荐
- 基于RNN的诗歌生成实验报告
一. 关于PoetryModel类的实现 (一) 初始化: 继承nn.Module类之后,定义embedding模型,输入的维数为vocab_size,输出的维数为embedding_size,之后定 ...
- 用RNN做MNIST分类
1.前言 RNN常用作NLP中,像图片生成文字.自动生成古诗词等.这篇文章用RNN做MNIST手写数字识别,分类效果虽然没有CNN效果好,但准确率也能够达到96%. 2.环境 Mac os系统,pyt ...
- 了解《诗歌生成》必看的6篇论文【附打包下载地址】
论文推荐 " <SFFAI 66期-诗歌生成专场>来自清华大学的矣晓沅同学推荐的文章主要关注于自然语言处理领域,你可以认真阅读讲者推荐的论文,来与讲者及同行线上交流哦." ...
- [RNN实战]自动生成对联、古诗
循环神经网络 1. LSTM模型 LSTM是一种RNN模型,LSTM 由Hochreiter & Schmidhuber (1997)提出,并在近期被Alex Graves进行了改良和推广.在 ...
- 【论文阅读笔记】诗歌生成的四篇论文
Chinese Poetry Generation with Planning based Neural Network COLING 2016 源码 方法: 两阶段生成诗词: Step 1: 生成诗 ...
- tensorflow循环神经网络(RNN)文本生成莎士比亚剧集
tensorflow循环神经网络(RNN)文本生成莎士比亚剧集 我们将使用 Andrej Karpathy 在<循环神经网络不合理的有效性>一文中提供的莎士比亚作品数据集.给定此数据中的一 ...
- python 根据判断产生新列_pandas DataFrame 根据多列的值做判断,生成新的列值实例...
环境:Python3.6.4 + pandas 0.22 主要是DataFrame.apply函数的应用,如果设置axis参数为1则每次函数每次会取出DataFrame的一行来做处理,如果axis为1 ...
- 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 ...
- PyTorch 深度学习:38分钟快速入门——RNN 做图像分类
RNN 特别适合做序列类型的数据,那么 RNN 能不能想 CNN 一样用来做图像分类呢?下面我们用 mnist 手写字体的例子来展示一下如何用 RNN 做图像分类,但是这种方法并不是主流,这里我们只是 ...
- 用时间做种子生成随机数
[转] 用时间做种子生成随机数 分类: VC++ 2011-06-26 19:11 2768人阅读 评论(0) 收藏 举报 null测试 我们知道rand()函数可以生成随机数,其实是在种子的基 ...
最新文章
- ad域帐号登录提示无法处理请求_面试官:说一下单点登录的几种实现方式
- JavsScript中DOM的基本操作
- Docker Compose部署GitLab服务,搭建自己的代码托管平台(图文教程)
- 8.IDA-数据与代码、函数互相转换
- linux 如何查看终端格式,你应该还不知道,Linux终端下的 Markdown 文档查看器
- 优秀学生专栏——董超
- 为了减少代码复杂度,我将if-else升级为面向状态编程
- Nginx(二) 反向代理负载均衡
- hdu 1507(最大匹配)
- 【前端基础进阶】JS原型、原型链、对象详解
- 二 IP核的行业发展
- matlab时频分析
- 云服务器功能检验方法
- STM32芯片无法正常工作的现象及原因分析集锦
- C语言 --- sizeof() 7种使用详解
- 【Python军火库】smtplib+email:一起来用Python发送电子邮件吧!
- 是非人生 — 一个菜鸟程序员的5年职场路 第9节
- python架构的抉择
- C语言学生成绩管理系统(课程设计报告书)
- 吕鑫MFC学习系列四
热门文章
- 2020 2月 月末总结
- unity将指定UI图片置为灰色
- 10大顶级运营商转型案例剖析
- mysql the cabinet_mysql 一个较特殊的问题:You can’t specify target table ‘wms_cabinet_form’ | 很文博客...
- SwitchyOmega_Chromium插件的下载安装以及使用
- 论文笔记:SAIN: Self-Attentive Integration Network for Recommendation(SIGIR 2019)
- HDU 6441 Find Integer 费马大定理
- 大猫谈JNCIE实验考试备战
- 《谁动了我的奶酪》感悟
- html中svg修改背景颜色,如何更改SVG图像中的背景颜色?