当RNN模型训练好后，如何让他生成一个句子？其实就是一个RNN前向传播的过程。通常遵循以下的步骤。
（1）初始化
文本生成可以什么都不给，让他生成一首诗。首先，你需要确定采样的起始点。这可以是一个特殊的开始标记<START>或者是一个随机选取的词汇索引作为第一个时间步的输入。如果是基于字符的模型，则可能从一个特殊字符或空格开始。
如果什么都不输入，那么、
（2）前向传播
将起始输入送入RNN模型，得到第一个时间步的隐藏状态。对于之后的每个时间步，使用上一时间步的隐藏状态和当前输入（上一时间步模型预测的词或字符的索引）来计算新的隐藏状态，并得到下一个词的概率分布。
模型会得到一个概率分布，在这个分布上采样以预测下一个token。通常会使用softmax函数输出每个可能token的概率。例如，有10000个token的词典，那么得到的就是每一个token的概率。
（3）采样
根据当前时间步的词概率分布进行采样，以决定下一个词。贪婪采样为例，每一步都选择概率最高的词作为下一个词，也就是
举例说明一下，比如我们的RNN模型在一个给定时间步产生了以下5个token及其对应概率
| Token | Probability |
|---|---|
| the | 0.4 |
| cat | 0.25 |
| sat | 0.15 |
| on | 0.1 |
| mat | 0.1 |
'the'具有最高的概率0.4。因此，根据贪婪采样策略，我们会选择'the'作为下一个词。
（4）更新序列
将采样出的token加入到输入序列的末端。如果模型使用固定长度的序列，则需要将序列的第一个token去掉，以确保长度保持不变。
（5）重复采样
反复执行步骤2至步骤4，逐步生成新的tokens，将它们加入到序列中。继续这个过程直到达到句子结束标记或达到预定最大序列长度。
（6）终止采样
设定一个终止条件，比如：达到预定的最大序列长度；遇到结束标记（如<EOS>）；基于某种规则判断生成完成（如遇到句号、问号等）。
