基于RNN的中文古诗词生成神经网络实现

一、前言

1、图解RNN

2、Tensorflow中RNN实现的正确打开方式

二、实战

1、训练数据处理

(1)文字转为向量

    def _get_poetry(self):with open(self.poetry_file, "r", encoding='utf-8') as f:poetry_list = [line for line in f]return poetry_listdef _gen_poetry_vectors(self):words = sorted(set(''.join(self.poetry_list)+' '))# 每一个字符分配一个索引 为后续诗词向量化做准备int_to_word = {i: word for i, word in enumerate(words)}word_to_int = {v: k for k, v in int_to_word.items()}to_int = lambda word: word_to_int.get(word)poetry_vectors = [list(map(to_int, poetry)) for poetry in self.poetry_list]return poetry_vectors, word_to_int, int_to_word

在这里将训练数据中所有的字生成了一个"文字==>数字"的词袋，并将所有的诗词按行分割转化为数字表示。

(2)生成器

    def batch(self):# 生成器start = 0end = self.batch_sizefor _ in range(self.chunk_size):batches = self.poetry_vectors[start:end]# 输入数据 按每块数据中诗句最大长度初始化数组，缺失数据补全x_batch = np.full((self.batch_size, max(map(len, batches))), self.word_to_int[' '], np.int32)for row in range(self.batch_size): x_batch[row, :len(batches[row])] = batches[row]# 标签数据 根据上一个字符预测下一个字符 所以这里y_batch数据应为x_batch数据向后移一位y_batch = np.copy(x_batch)y_batch[:, :-1], y_batch[:, -1] = x_batch[:, 1:], x_batch[:, 0]yield x_batch, y_batchstart += self.batch_sizeend += self.batch_size

x_batch作为输入，y_batch为标签。诗词生成模型根据上一个字符生成下一个字符，所以这里的标签数据应该是和输入数据的shape一致，但序列字符后移一位。y_batch的最后一位，理论上来说应该是本行诗词的下一行的第一个字，简单起见，这里用本行的第一个字代替。

2、RNN模型

(1)模型初始化

class PoetryModel:def __init__(self):# 诗歌生成self.poetry = Poetry()# 单个cell训练序列个数self.batch_size = self.poetry.batch_size# 所有出现字符的数量self.word_len = len(self.poetry.word_to_int)# 隐层的数量self.rnn_size = 128

rnn_size代表RNN模型中隐层的数量,这个概念要和RNN模型中time_step的数量分开，这里time_step数量指的是每一行诗词的文字数量，即x。batch_size数量指每次训练时，使用的诗词行数。

(2)变量定义

        # 输入句子长短不一致 用None自适应inputs = tf.placeholder(tf.int32, shape=(self.batch_size, None), name='inputs')# 输出为预测某个字后续字符 故输出也不一致targets = tf.placeholder(tf.int32, shape=(self.batch_size, None), name='targets')# 防止过拟合keep_prob = tf.placeholder(tf.float32, name='keep_prob')

(3)embedding定义

    def embedding_variable(inputs, rnn_size, word_len):with tf.variable_scope('embedding'):# 这里选择使用cpu进行embeddingwith tf.device("/cpu:0"):# 默认使用'glorot_uniform_initializer'初始化，来自源码说明:# If initializer is `None` (the default), the default initializer passed in# the variable scope will be used. If that one is `None` too, a# `glorot_uniform_initializer` will be used.# 这里实际上是根据字符数量分别生成state_size长度的向量embedding = tf.get_variable('embedding', [word_len, rnn_size])# 根据inputs序列中每一个字符对应索引 在embedding中寻找对应向量,即字符转为连续向量:[字]==>[1]==>[0,1,0]lstm_inputs = tf.nn.embedding_lookup(embedding, inputs)return lstm_inputs

将诗词的文字对应索引分别转化为变量，引入另一个新概念，input_size，即每一个字所对应的变量长度，这里是训练数据中所有字符的数量，所以实际上我们每次训练使用的数据shape应该是(batch_size，time_step，input_size)。

(4)模型计算图定义

    def rnn_graph(self, batch_size, rnn_size, word_len, lstm_inputs, keep_prob):# cell.state_size ==> 128# 基础cell 也可以选择其他基本cell类型lstm = tf.nn.rnn_cell.BasicLSTMCell(num_units=rnn_size)drop = tf.nn.rnn_cell.DropoutWrapper(lstm, output_keep_prob=keep_prob)# 多层cell 前一层cell作为后一层cell的输入cell = tf.nn.rnn_cell.MultiRNNCell([drop] * 2)# 初始状态生成(h0) 默认为0# initial_state.shape ==> (64, 128)initial_state = cell.zero_state(batch_size, tf.float32)# 使用dynamic_rnn自动进行时间维度推进 且 可以使用不同长度的时间维度# 因为我们使用的句子长度不一致lstm_outputs, final_state = tf.nn.dynamic_rnn(cell, lstm_inputs, initial_state=initial_state)seq_output = tf.concat(lstm_outputs, 1)x = tf.reshape(seq_output, [-1, rnn_size])# softmax计算概率w, b = self.soft_max_variable(rnn_size, word_len)logits = tf.matmul(x, w) + bprediction = tf.nn.softmax(logits, name='predictions')return logits, prediction, initial_state, final_state

(5)权重及偏置定义

    def soft_max_variable(rnn_size, word_len):# 共享变量with tf.variable_scope('soft_max'):w = tf.get_variable("w", [rnn_size, word_len])b = tf.get_variable("b", [word_len])return w, b

RNN与CNN不同的一点在于，RNN的权重及偏置在所有cell中是一样的，这里使用了共享变量。
(6)损失及优化图定义

    @staticmethoddef loss_graph(word_len, targets, logits):# 将y序列按序列值转为one_hot向量y_one_hot = tf.one_hot(targets, word_len)y_reshaped = tf.reshape(y_one_hot, [-1, word_len])loss = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(logits=logits, labels=y_reshaped))return loss@staticmethoddef optimizer_graph(loss, learning_rate):grad_clip = 5# 使用clipping gradientstvars = tf.trainable_variables()grads, _ = tf.clip_by_global_norm(tf.gradients(loss, tvars), grad_clip)train_op = tf.train.AdamOptimizer(learning_rate)optimizer = train_op.apply_gradients(zip(grads, tvars))return optimizer

RNN会遇到梯度爆炸（gradients exploding）和梯度弥散（gradients disappearing)的问题。LSTM解决了梯度弥散的问题，但是gradients仍然可能会爆炸，因此我们采用gradient clippling的方式来防止梯度爆炸。即通过设置一个阈值，当gradients超过这个阈值时，就将它重置为阈值大小，这就保证了梯度不会变得很大。

(7)开始训练

        # 开始训练saver = tf.train.Saver()sess = tf.Session()sess.run(tf.global_variables_initializer())step = 0new_state = sess.run(initial_state)for i in range(epoch):# 训练数据生成器batches = self.poetry.batch()# 随模型进行训练 降低学习率sess.run(tf.assign(learning_rate, 0.001 * (0.97 ** i)))for batch_x, batch_y in batches:feed = {inputs: batch_x, targets: batch_y, initial_state: new_state, keep_prob: 0.5}batch_loss, _, new_state = sess.run([loss, optimizer, final_state], feed_dict=feed)print(datetime.datetime.now().strftime('%c'), ' i:', i, 'step:', step, ' batch_loss:', batch_loss)step += 1model_path = os.getcwd() + os.sep + "poetry.model"saver.save(sess, model_path, global_step=step)sess.close()

随着模型的训练，逐步降低学习率。
(8)生成古诗词

    def gen(self, poem_len):def to_word(weights):t = np.cumsum(weights)s = np.sum(weights)sample = int(np.searchsorted(t, np.random.rand(1) * s))return self.poetry.int_to_word[sample]# 输入# 句子长短不一致 用None自适应self.batch_size = 1inputs = tf.placeholder(tf.int32, shape=(self.batch_size, 1), name='inputs')# 防止过拟合keep_prob = tf.placeholder(tf.float32, name='keep_prob')lstm_inputs = self.embedding_variable(inputs, self.rnn_size, self.word_len)# rnn模型_, prediction, initial_state, final_state = self.rnn_graph(self.batch_size, self.rnn_size, self.word_len, lstm_inputs, keep_prob)saver = tf.train.Saver()with tf.Session() as sess:sess.run(tf.global_variables_initializer())saver.restore(sess, tf.train.latest_checkpoint('.'))new_state = sess.run(initial_state)# 在所有字中随机选择一个作为开始x = np.zeros((1, 1))x[0, 0] = self.poetry.word_to_int[self.poetry.int_to_word[random.randint(1, self.word_len-1)]]feed = {inputs: x, initial_state: new_state, keep_prob: 1}predict, new_state = sess.run([prediction, final_state], feed_dict=feed)word = to_word(predict)poem = ''while len(poem) < poem_len:poem += wordx = np.zeros((1, 1))x[0, 0] = self.poetry.word_to_int[word]feed = {inputs: x, initial_state: new_state, keep_prob: 1}predict, new_state = sess.run([prediction, final_state], feed_dict=feed)word = to_word(predict)return poem

在sep-sep模型中，上一个网络的状态输出应该作为下一个网络的状态输入，所以初始状态为零，后续输入状态都是上一次的输出状态。

(9)结果

筋烛升玄净，云光理片溪。
美子相离处，离来下路疏。
策变因坚薛，灵行一更颇。
卖上狎城天，穿洄欹笔软。
授名时依寂，快举即芳眉。
吊此之当主，长期动世迟。

看起来有模有样的，基本模型是成功了。在这个模型的基础上进行改动，还可以生成小说等。

三、其他

具体源码可以在我的github上找到： https://github.com/lpty/tensorflow_tutorial