惊艳!基于RNN的AI写词机竟能写出如此优秀的情诗!

七夕至。各位同学今晚需要加班不?


惊艳!基于RNN的AI写词机竟能写出如此优秀的情诗!_第1张图片


如果不加,又没什么人需要陪,看我的安排!


近日,TinyMind的诗词达人秀上出现了一枚优秀的AI写词机,这小AI擅长宋词创作,行云流水,妙笔生花,以独特的文风与智慧艳压全场!咱们先围观几首~~


爱情


只有一川烟月,不管青鸿一梦,何处是高楼。老子不堪见,明日隔江风。


我们不难发现小宋在情场中干脆利落,不拖泥带水,专一且霸道!


蓦山溪


莺来多息。不似花枝处。妙力不知春,更不见、江南一片。

不怜花柳,容尽一年春,花外下,水风深,谁是相思处。

黄台池外,一断无人到。天草不知人,对一里、黄昏千片。

一年心事,谁似旧人愁,情易遣,泪花前,寂寞花前减。


可能在七夕这天,小宋更感孤独,旧事涌上心头,“谁似旧人愁”,多情总被无情恼,“情易遣,泪花前”,怕是在去年七夕小宋被放生了。。


这首词通篇虽不如人类作品的剧情连贯,但细细品味每一句,都能让人看到灵性~!

“天草不知人,对一里、黄昏千片”,黄昏千片,这样的神搭配,请收下我的膝盖!


 满江红


风雨凄凉,又还是、一番春色。

春又老、春风吹柳,满庭花落。

花影未禁春又老,柳丝袅袅胭脂薄。

问几年、春色入东风,春无力。

花不尽,春无力。

春不住,花无力。

想东君、莫放春衫,为谁偷惜。

一笑相思千万斛,一杯一醉君须说。

问何时、一醉醉中仙,从今日。


本是悲愤基调,在小宋笔下更多是无奈。“花影未禁春又老,柳丝袅袅胭脂薄。”如果说这是AI的杰作,你会跟我一样首先质疑吧?最后一句更是为通篇的"无奈"找到了出口,“一醉醉中仙,从今日。”谁敢说上下文没有连贯性,请你承包小宋一年的酒钱!


作为新一代AI诗词创作界扛把子,小宋的作品是源源不断层出不穷的。咱们先赏析到此,下面大戏来了!


你想拥有这样一个灵魂写词机吗?!作者(TinyMind用户名:HataFeng)已将代码模型公开啦!!!下面请跟我手把手学会造一个写词机!!至于2号,3号会是什么性格,你定~


惊艳!基于RNN的AI写词机竟能写出如此优秀的情诗!_第2张图片


小宋的模型基于循环神经网络来搭建


模型主要结构:词嵌入 + 多层LSTM


词嵌入采用:skip-gram + dropout

循环神经网络采用:多层LSTM + dropout

输出层采用:softmax

参数共享采用:softmax层和词向量层参数共享

损失采用:交叉熵、平均损失

优化采用:SGD


评价方法采用:复杂度(perplexity) 公式:


惊艳!基于RNN的AI写词机竟能写出如此优秀的情诗!_第3张图片


代码运行:


准备数据:sc.train 和 sc.vocab (已上传到tinymind 地址:https://www.tinymind.com/HataFeng/datasets/songci)

运行环境:

windows 或 tinymind 支持GPU或者CPU Tensorflow 1.4 python3.6 本地windows运行:

Cd code_path

python train.py --num_layers=2 --Optimizer="SGD" --learning_rate=0.1 --dataset="sc.train"

预测命令

python inference.py --train_dir="G:/test_data/songci/output/CT500_10_SGD"


代码框架:


  • 数据预处理模块

  • 模型模块

  • 预测模块


模块说明:


数据预处理模块

  • 整理数据

  • 编码


训练模块

  • 1.输入层:minibatch 词嵌入 + dropout

  • 2.处理层:网络结构采用多层LSTM + dropout

  • 3.输出层:softmax

  • 4.Lost:交叉熵

  • 5.优化:SGD或者adam

  • 6.评价:复杂度。


预测结构:

  • 1.输入层:词嵌入

  • 2.处理层:网络结构采用多层LSTM + dropout

  • 3.输出层:softmax

  • 4.Lost:交叉熵

  • 5.输出:top3 label 进行预测输出


代码说明文档


  • preprefile.ipynb 用空格对单词进行分割(切词后如下: 酒 泉 子 ( 十 之 一 ))

  • prefile.ipynb 按升序生成词表

  • encode.ipynb 将文本转化为单词编码(编码后如下:72 297 50 27 99 137 7 28 2)

  • train.py 训练程序

  • inference.py 预测模块


训练模块关键代码说明:


 # 定义使用LSTM结构为循环体结构且使用dropout的深层循环神经网络
    # NUM_LAYERS 网络深度层数
    # HIDDEN_SIZE 神经元数量
    dropout_keep_prob = LSTM_KEEP_PROB if is_training else 1.0
    lstm_cells = [
        tf.nn.rnn_cell.DropoutWrapper(
            tf.nn.rnn_cell.BasicLSTMCell(HIDDEN_SIZE),
            output_keep_prob=dropout_keep_prob)
        for _ in range(NUM_LAYERS)]
    cell = tf.nn.rnn_cell.MultiRNNCell(lstm_cells)

    .....

    # 将输入单词转化为词向量
    #skip-gram模型
    inputs = tf.nn.embedding_lookup(embedding, self.input_data)

    # 对输入数据进行dropout
    if is_training:
        inputs = tf.nn.dropout(inputs, EMBEDDING_KEEP_PROB)


    ....

    # 收集LSTM不同时刻的输出
    outputs = []
    state = self.initial_state
    with tf.variable_scope("RNN"):
        for time_step in range(num_steps):
            if time_step > 0: tf.get_variable_scope().reuse_variables()
            cell_output, state = cell(inputs[:, time_step, :], state)
            outputs.append(cell_output)

    output = tf.reshape(tf.concat(outputs, 1), [-1, HIDDEN_SIZE])

    if SHARE_EMB_AND_SOFTMAX:
        weight = tf.transpose(embedding)
    else:
        weight = tf.get_variable("weight", [HIDDEN_SIZE, VOCAB_SIZE])

    bias = tf.get_variable("bias", [VOCAB_SIZE])
    logits = tf.matmul(output, weight) + bias


    # 分类输出
    self.predictions = tf.nn.softmax(logits, name='predictions')

    # 真实分布与预测分布的交叉熵
    loss = tf.nn.sparse_softmax_cross_entropy_with_logits(
        labels=tf.reshape(self.targets, [-1]),
        logits=logits)
    self.cost = tf.reduce_sum(loss) / batch_size
    self.final_state = state


    # 梯度优化
    print("FLAGS.Optimizer:", FLAGS.Optimizer)
    if FLAGS.Optimizer == "adam":
        print("use adma Optimizer  learning_rate:", LEARNING_RATE)
        optimizer = tf.train.AdamOptimizer(learning_rate=LEARNING_RATE)
    else:
        optimizer = tf.train.GradientDescentOptimizer(learning_rate=LEARNING_RATE)

    # 训练步骤
    self.train_op = optimizer.apply_gradients(zip(grads, trainable_variables), global_step=self.global_step)



天意事,谁堪得。

非易事,欢难说。

                  新一代AI杰出作家小宋想与小冰一比高低,请问你皮克谁?



更多关于小宋的诗词及详细说明请参考:

https://www.tinymind.cn/codes/97


想动手造写词机的同学请下载数据集:

https://www.tinymind.cn/articles/719


点击阅读原文,查看小宋的前世今生~

你可能感兴趣的:(惊艳!基于RNN的AI写词机竟能写出如此优秀的情诗!)