深度学习（三）之LSTM写诗

Python微信订餐小程序课程视频

https://edu.csdn.net/course/detail/36074

Python实战量化交易理财系统

https://edu.csdn.net/course/detail/35475
目录* 数据预处理

构建数据集
模型结构
生成诗
- 根据上文生成诗
- 生成藏头诗
参考

根据前文生成诗：

机器学习业，圣贤不可求。临戎辞蜀计，忠信尽封疆。天子咨两相，建章应四方。自疑非俗态，谁复念鹪鹩。

生成藏头诗：

国步平生不愿君，古人今在古人风。

科公既得忘机者，白首空山道姓名。

大道不应无散处，未曾进退却还征。

环境：

python：3.9.7
pytorch：1.11.0
numpy：1.21.2

代码地址：https://github.com/xiaohuiduan/deeplearning-study/tree/main/写诗

数据预处理

数据集文件由3部分组成：ix2word，word2ix，data：

ix2word：id到word的映射，如{23:‘姑’}，一共有8293个word。
word2ix2：word到id的映射，如{‘姑’:23}
data：保存了诗的数据，一共有57580首诗，每条数据由125个word构成；如果诗的长度大于125则截断，如果诗的长度小于125，则使用""进行填充。

每条数据的构成规则为：…\dots诗词。

在训练的时候，不考虑填充数据，因此，将数据中的填充数据去除，去除后，部分数据显示如下：

构建数据集

模型输入输出决定了数据集怎么构建，下图是模型的输入输出示意图。诗词生成实际上是一个语言模型，我们希望Model能够根据当前输入x0,x1,x2…xn−1x_0,x_1,x_2\dots x_{n-1}去预测下一个状态xnx_n。如图中所示例子，则是希望在训练的过程中，模型能够根据输入床前明月光生成床前明月光，。

因此根据“床前明月光，凝是地上霜。举头望明月，低头思故乡”，可以生成如下的X和Y（seq_len=6）。

X：床前明月光，Y：床前明月光，

X：，凝是地上霜，Y：凝是地上霜。

X：。举头望明月，Y：举头望明月，

X：，低头思故乡，Y：低头思故乡。

代码示意图如下所示，seq_len代表每条训练数据的长度。

seq_len = 48
X = []
Y = []poems_data = [j for i in poems for j in i] # 将所有诗的内容变成一个一维数组for i in range(0,len(poems_data) - seq_len -1,seq_len):X.append(poems_data[i:i+seq_len])Y.append(poems_data[i+1:i+seq_len+1])

模型结构

模型结构如下所示，模型一共由3部分构成，Embedding层，LSTM层和全连接层。输入数据首先输入Embedding层，进行word2vec，然后将Word2Vec后的数据输入到LSTM中，最后将LSTM的输出输入到全连接层中得到预测结果。

模型构建代码如下，其中在本文中embedding_dim=200,hidden_dim=1024。

import torch
import torch.nn.functional as F
import torch.nn as nn
class PoemNet(nn.Module):def \_\_init\_\_(self, vocab\_size, embedding\_dim, hidden\_dim):"""vocab\_size：训练集合字典大小（8293）embedding\_dim：word2vec的维度hidden\_dim：LSTM的hidden\_dim"""super(PoemNet, self).__init__()self.hidden_dim = hidden_dimself.embeddings = nn.Embedding(vocab_size, embedding_dim)self.lstm = nn.LSTM(embedding_dim, self.hidden_dim,batch_first=True)self.fc = nn.Sequential(nn.Linear(self.hidden_dim,2048),nn.ReLU(),nn.Dropout(0.25),nn.Linear(2048,4096),nn.Dropout(0.2),nn.ReLU(),nn.Linear(4096,vocab_size),)def forward(self, input,hidden=None):"""input：输入的诗词hidden：在生成诗词的时候需要使用，在pytorch中，如果不指定初始状态h\_0和C\_0，则其默认为0.pytorch的LSTM的输出是(output,(h\_n,c\_n))。实际上，output就是h\_1,h\_2,……h\_n"""embeds = self.embeddings(input)batch_size, seq_len = input.size()if hidden is None:output, hidden = self.lstm(embeds)else:# h\_0,c\_0 = hiddenoutput, hidden = self.lstm(embeds,hidden)output = self.fc(output)output = output.reshape(batch_size * seq_len, -1)output = F.log_softmax(output,dim=1)return output,hidden

优化器使用的是Adam优化器，lr=0.001，损失函数是CrossEntropyLoss。训练次数为100个epcoh。

生成诗

因为在模型构建的过程中，使用了dropout，所以在模型使用的时候，需要将model设置为eval模式。

生成诗的逻辑图：

根据上文生成诗

根据上图的原理，写出的代码如下所示：

def generate\_poem(my\_words,max\_len=128):'''根据前文my\_words生成一首诗。max\_len表示生成诗的最大长度。'''def \_\_generate\_next(idx,hidden=None):"""根据input和hidden输出下一个预测"""input = torch.Tensor([idx]).view(1,1).long().to(device)output,hidden = my_net(input,hidden)return output,hidden# 初始化hidden状态output,hidden = __generate_next(word2ix[""])my_words_len = len(my_words)result = []for word in my_words:result.append(word)# 积累hidden状态（h & c）output,hidden = __generate_next(word2ix[word],hidden)_,top_index = torch.max(output,1)word = idx2word[top_index[0].item()]result.append(word)for i in range(max_len-my_words_len):output,hidden = __generate_next(top_index[0].item(),hidden)_,top_index = torch.max(output,1)if top_index[0].item() == word2ix['']: # 如果诗词已经预测到结尾breakword = idx2word[top_index[0].item()]result.append(word)return "".join(result)generate_poem("睡觉")

睡觉寒炉火，晨钟坐中朝。炉烟沾煖露，池月静清砧。自有传心法，曾无住处传。不知尘世隔，一觉一壺秋。皎洁垂银液，浮航入绿醪。谁知旧邻里，相对似相亲。

生成藏头诗

生成藏头诗的方法与根据上文生成诗的方法大同小异。

def acrostic\_poetry(my\_words):def \_\_generate\_next(idx,hidden=None):"""根据input和hidden输出下一个预测词"""input = torch.Tensor([idx]).view(1,1).long().to(device)output,hidden = my_net(input,hidden)return output,hiddendef \_\_generate(word,hidden):"""根据word生成一句诗（以“。”结尾的话） 如根据床生成“床前明月光，凝是地上霜。”"""generate_word = word2ix[word]sentence = []sentence.append(word)while generate_word != word2ix["。"]: output,hidden = __generate_next(generate_word,hidden)_,top_index = torch.max(output,1)generate_word = top_index[0].item()sentence.append(idx2word[generate_word])# 根据"。"生成下一个隐状态。_,hidden = __generate_next(generate_word,hidden)return sentence,hidden_,hidden = __generate_next(word2ix[""])result = []for word in my_words:sentence,hidden = __generate(word,hidden)result.append("".join(sentence))print("\n".join(result))acrostic_poetry("滚去读书")