『TensotFlow』RNN/LSTM古诗生成

时间：2021-11-07 04:42:14

往期RNN相关工程实践文章

『TensotFlow』基础RNN网络分类问题

『TensotFlow』RNN中文文本_上

『TensotFlow』基础RNN网络回归问题

『TensotFlow』RNN中文文本_下_暨研究生开学感想

张量分析

『TensotFlow』RNN/LSTM古诗生成

预处理结果是二维数据，相当于batch条一维数据，每个数据对应一首诗，每个字是一个scalar；

embedding之后，将每个字映射为一个rnn_size大小的向量，数据变为三维；

经过递归神经网络，输出维度不变；

将之调整为二维数据，这里面第二维度(即每一行)对应一个字；

全连接映射，将每一个字由rnnsize的向量映射为一个长度为总字数的向量，这样方便计算loss，实际计算loss时，会将label(二维向量，一行一首诗，字为scalar)拉伸为一维向量，每行只有一个字scalar，one_hot之后和此时数据正好对应，方便计算

SoftMax不改变张量形状，只是将结果以概率分布的形式输出

工程分析

代码见Github

1、文件简介

LSTM_model.py：LSTM网络模型，提供了end_points接口，被其他部分调用
poetry_porcess.py：数据读取、预处理部分，会返回打包好的batch，被main调用
gen_poetry.py：古诗生成程序，拥有可选的风格参数，被main调用
main.py：主函数，既可以调用前两个程序获取预处理数据并使用LSTM网络进行训练，也可以调用gen_poetry.py生成古诗

2、调用指令

在main.py最后有如下指令，

if __name__ == "__main__":

    words,poetry_vector,to_num,x_batches,y_batches = poetry_porcess.poetry_process()

    # train(words, poetry_vector, x_batches, y_batches)

    # gen_poetry(words, to_num)

    generate(words_, to_num_, style_words="狂沙将军战燕然，大漠孤烟黄河骑。")

此时实际上处于生成模式，对于最后的三行， train：表示训练 gen_poetry：表示根据首字符生成 generate：表示根据首句和风格句生成古诗

训练时注释掉后两行，保留train行，

if __name__ == "__main__":

    words,poetry_vector,to_num,x_batches,y_batches = poetry_porcess.poetry_process()

    train(words, poetry_vector, x_batches, y_batches)

    # gen_poetry(words, to_num)

    # generate(words_, to_num_, style_words="狂沙将军战燕然，大漠孤烟黄河骑。")

生成时不需要修改，但是

generate(words_, to_num_, style_words="狂沙将军战燕然，大漠孤烟黄河骑。")

可以替换style_word为任何你想要的风格句，注意最好使用7言或者5言，因为这句会大概率影响到你生成的古诗的句子长度(不绝对)，这只是风格提取，你可以输入任意长度；在运行了脚本后，屏幕会提示输入起始句，输入的句子一般5或者7个字，这个由于会拿来直接做首句(由结果示范可以看到)，输入长度不宜过长。

对于上面的两种情况，修改完成后运行脚本即可，

python main.py

即可显示结果

3、结果示范

head:床前明月光 + style:黄沙百战金甲：

床前明月光辉，魏武征夫血絮红。

数步崩云复遗主，缟衣东，帝京举，玉轮还满出书初。

秋秋惨惨垂杨柳，梦断黄莺欲断肠。

花凋柳映阮家几，屋前病，歇马空留门。

当年皆月林，独往深山有素。

head:少小离家老大回 + style:山雨欲来风满楼：

少小离家老大回，四壁百月弄鸦飞。

扫香花间春风地，隔天倾似烂桃香。

近来谁伴清明日，两株愁味在罗帏。

仍通西疾空何处，轧轧凉吹日方明。

head:少小离家老大回 + style:铁马冰河入梦来：

少小离家老大回，化空千里便成丝。

官抛十里同牛颔，莫碍风光雪片云。

饮水远涛飞汉地，云连城户翠微低。

一树铁门万象耸，白云三尺各关高。

同言东甸西游子，谁道承阳要旧忧。

少小离家老大回，含颦玉烛拂楼台。

初齐去府芙蓉死，细缓行云向国天

RNN结构补充

原网络结构如下，实际上不需要像下面这样写了，不过当时费了好大事，所以保留一下原来版本的代码，

with tf.variable_scope('placeholder'):

    input_vec = tf.placeholder(tf.int32,[None,None])

    output_targets = tf.placeholder(tf.int32,[None,None])

def rnn_network(rnn_size=128,num_layers=2):

    def lstm_cell():

        l_cell = tf.contrib.rnn.BasicLSTMCell(rnn_size,state_is_tuple=True,reuse=tf.get_variable_scope().reuse)

        return l_cell

    cell = tf.contrib.rnn.MultiRNNCell([lstm_cell() for _ in range(num_layers)])

    initial_state = cell.zero_state(batch_size, tf.float32) # 初始化LSTM网络节点，参数为尺寸

    with tf.variable_scope('LSTM'):

        with tf.variable_scope('embedding'):

            E = tf.get_variable('embedding',[len(words_list) + 1,rnn_size])

            input_embedding = tf.nn.embedding_lookup(E,input_vec)

        output_embedding, last_state = tf.nn.dynamic_rnn(cell, input_embedding, initial_state=initial_state,scope='lstm')

        output = tf.reshape(output_embedding,[-1,rnn_size])

        with tf.variable_scope('output'):

            W = tf.get_variable('W', [rnn_size,len(words_list)+1])

            b = tf.get_variable('b', [len(words_list)+1])

        logits = tf.matmul(output,W) + b

        probs = tf.nn.softmax(logits)

        return logits, last_state, probs, cell, initial_state

另外，直接使用tf.nn.rnn_cell而不是用tf.contrib.rnn也可以。

相关文章