NLP人工智能写诗模型之李小白

人工智能写诗模型之李小白"/>

NLP人工智能写诗模型之李小白

1.前言

              我希望我的技术是有温度的，也许是生活已经足够冰冷。我希望赋予我的模型以生命，它们在那个虚拟世界里面的生活，又何尝不跟我们这个所谓真实的世界一样呢？所以我叫他李小白，因为我喜欢那句‘乘风破浪会有时，直挂云帆济沧海’。

2.目标

               我们希望得到这样一个模型，当我输入第一个字的时候，她可以用这个字开头为我做一首诗。

3.思路

                我们会让模型读上万首诗，他会从中学习到一种能力，写诗。无关意境、无关思想、只是为了好玩。我们使用LSTM循环神经网络作为隐层，基本网络结构为输入层——>LSTM——>LSTM——>输出层；

4.数据预处理

              1.我们的训练数据总共有43030行，每一行代表一首诗词。格式为‘标题:内容’如下：
                     静夜思:床前明月光，疑是地上霜。举头望明月，低头思故乡。
              2.预处理
                   1)将每行诗的内容(不包含标题),加入到poetrys向量中。过滤掉少于5个字的和大于79个字的诗，去掉特殊字符，每行内容添加'['、']'作为开始和结束标签。过滤完后剩下34646首诗
                   2)按照每行诗内容的长度，对poetrys向量进行排序
                   3)生成词表，按照每个字出现的次数对其进行编码，出现次数越多则编码越小
                   4)根据词表，将诗集poetrys转换为数字形式
                   5)准备训练数据,加载所有批次的数据，对于每个批次来说，x为批次数量的诗句，诗句的长度为该批次中最长的诗句长度。y为x去掉第一位重复最后一位得到的诗句。

                    6）使用嵌入层对每个词向量进行one-hot编码，并且编码后的向量使用隐层嵌入矩阵映射为一个稠密向量。

5.RNN网络

                1.我们使用两层的LSTM网络, 隐层神经元128个。

                 2.优化器使用adam

                 3.损失函数还是选择传统的softmax,对于一个批次中的所有数据loss进行累积，然后求平均

6.训练

                 1.每个批次有256条数据，训练50个轮次，每隔7个轮次保存一次生成的模型。
                            学习率衰减为:0.002 * (0.97 ** epoch)
                  2.为了防止梯度爆炸和梯度消失，对于计算出来的梯度进行了截取，使用tf.clip_by_global_norm，截取率设置为5
                           

7.预测

                高阵明日自有碛，

                来有纤城还惟。

                谁玄骚市看情烟，

                欲雨清婺纵砚山。

                这个模型在GTX1050显卡上训练了20分钟，上面的例子我给出了首个字高，李小白同学就为我输出了这首诗；我自己的水平有限，不敢妄加评论。也许我们的模型没有经历过挫折与坎坷，写不出那样‘念天地之悠悠，独怆然而涕下’的诗句。但是 从本质上讲，人类通过学习知识，能出口成章，这跟模型是没有什么区别的。也许当我们真正找到自己跟模型不一样的地方的那天，我们也就找到了真正的自己吧！各位看官如果心情不好的话，看一下下面这个伟大的视频，杨超越真的超级可爱！

【火箭少女解散】杨超越告别感言太好笑了！！哈哈哈哈哈哈哈哈哈哈哈哈哈哈哈哈明明是很伤心的事，看得我又哭又笑的杨超越：“我真是干啥啥不行，跟老板吵架第一名”

8.代码

1.训练代码

import collections
import numpy as np
import tensorflow as tf# -------------------------------数据预处理---------------------------#
poetry_file = 'poetry.txt'
#poetry_file = './data/poetry.txt'# 诗集
poetrys = []
#加载诗集到一个数组，对于特殊字符进行处理，并且对于每行诗左右添加[]
with open(poetry_file, "r", encoding='utf-8', ) as f:for line in f:try:title, content = line.strip().split(':')content = content.replace(' ', '')if '_' in content or '(' in content or '（' in content or '《' in content or '[' in content:continueif len(content) < 5 or len(content) > 79:continuecontent = '[' + content + ']'poetrys.append(content)except Exception as e:pass# 按诗的字数排序
poetrys = sorted(poetrys, key=lambda line: len(line), reverse=False)
print('唐诗总数: ', len(poetrys))# 统计每个字出现次数
all_words = []
for poetry in poetrys:temp = [word for word in poetry]all_words += tempcounter = collections.Counter(all_words)
print(counter.items())
count_pairs = sorted(counter.items(), key=lambda x: -x[1])
print(count_pairs)
print(*count_pairs)
words, _ = zip(*count_pairs)
# 倒序排序后取出了所有字
print(words)# 取前多少个常用字,并且加上空格
print(len(words))
words = words[:len(words)] + (' ',)
print(words)
print(len(words))# 每个字映射为一个数字ID
word_num_map = dict(zip(words, range(len(words))))
print(word_num_map)# 把诗转换为向量形式
# 定义一个查索引的方法，如果是常用字就给index，如果不是就给默认值len(words)
to_num = lambda word: word_num_map.get(word, len(words))
poetrys_vector = [list(map(to_num, poetry)) for poetry in poetrys]
# [[314, 3199, 367, 1556, 26, 179, 680, 0, 3199, 41, 506, 40, 151, 4, 98, 1],
# [339, 3, 133, 31, 302, 653, 512, 0, 37, 148, 294, 25, 54, 833, 3, 1, 965, 1315, 377, 1700, 562, 21, 37, 0, 2, 1253, 21, 36, 264, 877, 809, 1]
# ....]# 每次取256首诗进行训练
batch_size = 256
# 计算多少次可以把诗学完了
n_chunk = len(poetrys_vector) // batch_size
# 准备数据
x_batches = []
y_batches = []
for i in range(n_chunk):start_index = i * batch_sizeend_index = start_index + batch_size# 每次取256首诗batches = poetrys_vector[start_index:end_index]# 计算256首诗里面最长的长度length = max(map(len, batches))# 创建全部为空格的索引号的矩阵xdata = np.full((batch_size, length), word_num_map[' '], np.int32)# 把每首诗的向量盖覆填入for row in range(batch_size):xdata[row, :len(batches[row])] = batches[row]ydata = np.copy(xdata)ydata[:, :-1] = xdata[:, 1:]# xdata             ydata# [6,2,4,6,9]       [2,4,6,9,9]# [1,4,2,8,5]       [4,2,8,5,5]x_batches.append(xdata)y_batches.append(ydata)# ---------------------------------------RNN--------------------------------------#input_data = tf.placeholder(tf.int32, [batch_size, None])
output_targets = tf.placeholder(tf.int32, [batch_size, None])# 定义RNN
def neural_network(model='lstm', rnn_size=128, num_layers=2):if model == 'rnn':cell_fun = tf.nn.rnn_cell.BasicRNNCellelif model == 'gru':cell_fun = tf.nn.rnn_cell.GRUCellelif model == 'lstm':cell_fun = tf.nn.rnn_cell.BasicLSTMCellcell = cell_fun(rnn_size, state_is_tuple=True)# 单个节点里面神经网络有两层，堆叠的，相当于网络层更深cell = tf.nn.rnn_cell.MultiRNNCell([cell] * num_layers, state_is_tuple=True)initial_state = cell.zero_state(batch_size, tf.float32)with tf.variable_scope('rnnlm'):# 构建从Cell单元输出得结果到输出层Y得W和b矩阵softmax_w = tf.get_variable("softmax_w", [rnn_size, len(words)])softmax_b = tf.get_variable("softmax_b", [len(words)])# 是来构建X输入到Cell之间得变化，说白了就是把X变成X_in交给RNN Cell单元with tf.device("/cpu:0"):embedding = tf.get_variable("embedding", [len(words), rnn_size])# 相当于对每个词进行one-hot编码再生成稠密的向量inputs = tf.nn.embedding_lookup(embedding, input_data)# 下面一行是来构建RNN网络拓扑结构# 如果是True，outputs的维度是[steps, batch_size, depth]outputs, last_state = tf.nn.dynamic_rnn(cell, inputs, initial_state=initial_state, scope='rnnlm')# reshape之后的形状是（steps*batch_size, 128）output = tf.reshape(outputs, [-1, rnn_size])# 计算从Cell单元输出的结果到输出层Y的结果logits = tf.matmul(output, softmax_w) + softmax_bprobs = tf.nn.softmax(logits)return logits, last_state, probs, cell, initial_state# 训练
def train_neural_network():#y^和最后时刻的输出logits, last_state, _, _, _ = neural_network()#将输出转换为一维数组targets = tf.reshape(output_targets, [-1])#计算batch中每一句话的累计交叉熵损失  如果使用sequence_loss，则会自带平均功能loss = tf.contrib.legacy_seq2seq.sequence_loss_by_example([logits], [targets], [tf.ones_like(targets, dtype=tf.float32)])#对于累计损失进行平均cost = tf.reduce_mean(loss)#定义学习率learning_rate = tf.Variable(0.0, trainable=False)tvars = tf.trainable_variables()# Gradient Clipping的引入是为了处理gradient explosion或者gradients vanishing的问题。当在一次迭代中权重的更新过于迅猛的话，# 很容易导致loss divergence。Gradient Clipping的直观作用就是让权重的更新限制在一个合适的范围。# clip_norm是截取的比率, 这个函数返回截取过的梯度张量# minimize() = compute_gradients() + apply_gradients()# 这里相当于将计算梯度和更新梯度变成两部分来做grads, _ = tf.clip_by_global_norm(tf.gradients(cost, tvars), 5)optimizer = tf.train.AdamOptimizer(learning_rate)train_op = optimizer.apply_gradients(zip(grads, tvars))with tf.Session() as sess:sess.run(tf.global_variables_initializer())saver = tf.train.Saver(tf.global_variables())for epoch in range(50):#学习率的下降策略sess.run(tf.assign(learning_rate, 0.002 * (0.97 ** epoch)))n = 0for batch in range(n_chunk):train_loss, _ = sess.run([cost, train_op],feed_dict={input_data: x_batches[n], output_targets: y_batches[n]})n += 1print(epoch, batch, train_loss)if epoch % 7 == 0:#7个轮次保存一下模型saver.save(sess, './poetry.module', global_step=epoch)train_neural_network()

2.测试代码

import collections
import numpy as np
import tensorflow as tf# -------------------------------数据预处理---------------------------#poetry_file = 'poetry.txt'
#以下为数据预处理部分
#1.对内容进行处理，提取内容、去掉特殊字符、没首诗前后添加[]起止符
#2.构建了包含所有单词的词表，并且使用词表将诗句转换成了数字向量形式
#3.提取出每个批次的x和y数据# 加载诗集并对内容进行过滤
#去掉特殊字符、长度小于5、长度大于79的诗内容
#在每首诗内容前后分别添加[]
poetrys = []
with open(poetry_file, "r", encoding='utf-8', ) as f:for line in f:try:title, content = line.strip().split(':')content = content.replace(' ', '')if '_' in content or '(' in content or '（' in content or '《' in content or '[' in content:continueif len(content) < 5 or len(content) > 79:continuecontent = '[' + content + ']'poetrys.append(content)except Exception as e:pass# 按诗的字数排序 从小到大排序
poetrys = sorted(poetrys, key=lambda line: len(line))
print('唐诗总数: ', len(poetrys))# 统计每个字出现次数
all_words = []
for poetry in poetrys:all_words += [word for word in poetry]
#以每个单词为key，其出现的次数为value，生成字典
#Counter({'a': 6, 'b': 1, 'c': 1})
counter = collections.Counter(all_words)
#排序默认为降序
count_pairs = sorted(counter.items(), key=lambda x: -x[1])
#*表示元祖 **表示字典
#将单词和其出现的次数压缩
#产生的words就是需要的词表
words, _ = zip(*count_pairs)# 在词表里面加了一个特殊的字符，空格
#给词表后面加空格
words = words[:len(words)] + (' ',)
print(words)# 每个字映射为一个数字ID
#用词表的长度给每个单词进行编码 1-len
word_num_map = dict(zip(words, range(len(words))))
print(word_num_map)# 把诗转换为向量形式
#使用to_num找到诗句中每个字对应的编码
#就可以将诗句用向量的形式表达
to_num = lambda word: word_num_map.get(word, len(words))
poetrys_vector = [list(map(to_num, poetry)) for poetry in poetrys]
# [[314, 3199, 367, 1556, 26, 179, 680, 0, 3199, 41, 506, 40, 151, 4, 98, 1],
# [339, 3, 133, 31, 302, 653, 512, 0, 37, 148, 294, 25, 54, 833, 3, 1, 965, 1315, 377, 1700, 562, 21, 37, 0, 2, 1253, 21, 36, 264, 877, 809, 1]
# ....]batch_size = 1
#确定需要训练的批次数
n_chunk = len(poetrys_vector) // batch_size
x_batches = []
y_batches = []
#提取出每个批次的x和y数据
for i in range(n_chunk):start_index = i * batch_sizeend_index = start_index + batch_size#获取每个批次中的诗batches = poetrys_vector[start_index:end_index]#批次诗句最多字数length = max(map(len, batches))#创建(batchsize,length)形状的矩阵xdata = np.full((batch_size, length), word_num_map[' '], np.int32)#将每行诗中比max字数少的部分填充空格，生成xfor row in range(batch_size):xdata[row, :len(batches[row])] = batches[row]ydata = np.copy(xdata)#y形状和x相同，数据为x去掉第一位+重复最后一位ydata[:, :-1] = xdata[:, 1:]# xdata             ydata# [6,2,4,6,9]       [2,4,6,9,9]# [1,4,2,8,5]       [4,2,8,5,5]x_batches.append(xdata)y_batches.append(ydata)
# ---------------------------------------RNN--------------------------------------#
#输入输出的形状为bs行，每行的最大词数列
#x
input_data = tf.placeholder(tf.int32, [batch_size, None])
#y
output_targets = tf.placeholder(tf.int32, [batch_size, None])# 定义RNN
def neural_network(model='lstm', rnn_size=128, num_layers=2):if model == 'rnn':cell_fun = tf.nn.rnn_cell.BasicRNNCellelif model == 'gru':cell_fun = tf.nn.rnn_cell.GRUCellelif model == 'lstm':cell_fun = tf.nn.rnn_cell.BasicLSTMCell#创建lstm单元cell = cell_fun(rnn_size, state_is_tuple=True)#串联两个lstmcell = tf.nn.rnn_cell.MultiRNNCell([cell] * num_layers, state_is_tuple=True)#循环层初始时刻接受的上时刻状态值为0initial_state = cell.zero_state(batch_size, tf.float32)with tf.variable_scope('rnnlm'):#softmax_w softmax_b是最后多分类的参数和截距项softmax_w = tf.get_variable("softmax_w", [rnn_size, len(words)])softmax_b = tf.get_variable("softmax_b", [len(words)])with tf.device("/cpu:0"):#embedding执行两件事 1.对x进行onehot编码 2.全连接(因为编码后数据为0,1；所以只需要找到1对应的权重参数即可)embedding = tf.get_variable("embedding", [len(words), rnn_size])inputs = tf.nn.embedding_lookup(embedding, input_data)#根据上面定义的参数动态生成rnn结构#output表示rnn的输出 128个cell会有128个输出,last_state表示最后一个cell的输出outputs, last_state = tf.nn.dynamic_rnn(cell, inputs, initial_state=initial_state, scope='rnnlm')#将outputs转换为(batchsize,rnn_size),每一行可以代表一个批次的输出output = tf.reshape(outputs, [-1, rnn_size])#将循环层的值和输出层矩阵相乘，加上截距项，得到最终的输出结果logits = tf.matmul(output, softmax_w) + softmax_b#对每一个输出结果进行概率预测probs = tf.nn.softmax(logits)#最后输出 y^值，最后时刻的输出、y^概率、lstm cell、初始化参数return logits, last_state, probs, cell, initial_state# -------------------------------生成古诗---------------------------------#
# 使用训练完成的模型def gen_poetry():#将概率数组转换为累积概率数组#随机从中抽取，概率越大选中的可能性越高#大概率和前面加和之后，相对于前面的距离更远，所以被选中的可能性也就越高def to_word(weights):#cumsum 返回数组元素在每一个时刻累计的和#如[1,2,3,4] 返回[ 1  3  6 10]t = np.cumsum(weights)#np.searchsorted 返回元素插入数组的位置，能保持数组仍为升序sample = int(np.searchsorted(t, np.random.rand(1)))return words[sample]#使用lstmrnn网络_, last_state, probs, cell, initial_state = neural_network()with tf.Session() as sess:sess.run(tf.global_variables_initializer())#创建模型保存器 要保存的数据为：tf.global_variables()saver = tf.train.Saver(tf.global_variables())#加载模型saver.restore(sess, './poetry.module-49')state_ = sess.run(cell.zero_state(batch_size, tf.float32))#生成的首字母first_letter = '高'#第一个输入的字对应的词向量x = np.array([list(map(word_num_map.get, first_letter))])print(x.shape)print(x)#使用x填充，并出示状态为0，得到rnn的输出[probs_, state_] = sess.run([probs, last_state],feed_dict={input_data: x, initial_state: state_})print(probs_)word = to_word(probs_)# word = words[np.argmax(probs_)]poem = first_letter + ''while word != '[' and word != ']':poem += wordx = np.zeros((1, 1))x[0, 0] = word_num_map[word][probs_, state_] = sess.run([probs, last_state],feed_dict={input_data: x, initial_state: state_})#按照概率随机选词word = to_word(probs_)# word = words[np.argmax(probs_)]return poemprint(gen_poetry())