基于循环神经网络(RNN)的古诗生成器
基于循环神经网络(RNN)的古诗生成器,具体内容如下
之前在手机百度上看到有个“为你写诗”功能,能够随机生成古诗,当时感觉很酷炫= =
在学习了深度学习后,了解了一下原理,打算自己做个实现练练手,于是,就有了这个项目。文中如有瑕疵纰漏之处,还请路过的诸位大佬不吝赐教,万分感谢!
使用循环神经网络实现的古诗生成器,能够完成古体诗的自动生成。我简单地训练了一下,格式是对上了,至于意境么。。。emmm,呵呵
举一下模型测试结果例子:
1.生成古体诗
示例1:
树阴飞尽水三依,谩自为能厚景奇。
莫怪仙舟欲西望,楚人今此惜春风。
示例2:
岩外前苗点有泉,紫崖烟霭碧芊芊。
似僧月明秋更好,一踪颜事欲犹伤?
2.生成藏头诗(以“神策”为例)
示例1:
神照隆祭测馨尘,策紫珑氲羽团娟。
示例2:
神辇莺满花台潭,策穷渐见仙君地。
下面记录项目实现过程(由于都是文本处理方面,跟前一个项目存在很多类似的内容,对于这部分内容,我就只简单提一下,不展开了,新的东西再具体说):
1.数据预处理
数据集使用四万首的唐诗训练集,可以点击这里进行下载。
数据预处理的过程与前一个项目TensorFlow练手项目一:使用循环神经网络(RNN)实现影评情感分类大同小异,可以参考前一个项目,这里就不多说了,直接上代码。
# -*- coding: utf-8 -*- # @Time : 18-3-13 上午11:04 # @Author : AaronJny # @Email : Aaron__7@163.com import sys reload(sys) sys.setdefaultencoding('utf8') import collections ORIGIN_DATA = 'origin_data/poetry.txt' # 源数据路径 OUTPUT_DATA = 'processed_data/poetry.txt' # 输出向量路径 VOCAB_DATA = 'vocab/poetry.vocab' def word_to_id(word, id_dict): if word in id_dict: return id_dict[word] else: return id_dict['<unknow>'] poetry_list = [] # 存放唐诗的数组 # 从文件中读取唐诗 with open(ORIGIN_DATA, 'r') as f: f_lines = f.readlines() print '唐诗总数 : {}'.format(len(f_lines)) # 逐行进行处理 for line in f_lines: # 去除前后空白符,转码 strip_line = line.strip().decode('utf8') try: # 将唐诗分为标题和内容 title, content = strip_line.split(':') except: # 出现多个':'的将被舍弃 continue # 去除内容中的空格 content = content.strip().replace(' ', '') # 舍弃含有非法字符的唐诗 if '(' in content or '(' in content or '<' in content or '《' in content or '_' in content or '[' in content: continue # 舍弃过短或过长的唐诗 lenth = len(content) if lenth < 20 or lenth > 100: continue # 加入列表 poetry_list.append('s' + content + 'e') print '用于训练的唐诗数 : {}'.format(len(poetry_list)) poetry_list=sorted(poetry_list,key=lambda x:len(x)) words_list = [] # 获取唐诗中所有的字符 for poetry in poetry_list: words_list.extend([word for word in poetry]) # 统计其出现的次数 counter = collections.Counter(words_list) # 排序 sorted_words = sorted(counter.items(), key=lambda x: x[1], reverse=True) # 获得出现次数降序排列的字符列表 words_list = ['<unknow>'] + [x[0] for x in sorted_words] # 这里选择保留高频词的数目,词只有不到七千个,所以我全部保留 words_list = words_list[:len(words_list)] print '词汇表大小 : {}'.format(words_list) with open(VOCAB_DATA, 'w') as f: for word in words_list: f.write(word + '\n') # 生成单词到id的映射 word_id_dict = dict(zip(words_list, range(len(words_list)))) # 将poetry_list转换成向量形式 id_list=[] for poetry in poetry_list: id_list.append([str(word_to_id(word,word_id_dict)) for word in poetry]) # 将向量写入文件 with open(OUTPUT_DATA, 'w') as f: for id_l in id_list: f.write(' '.join(id_l) + '\n')
2.模型编写
这里要编写两个模型,一个用于训练,一个用于验证(生成古体诗)。两个模型大体上一致,因为用途不同,所以有些细节有出入。当进行验证时,验证模型读取训练模型的参数进行覆盖。
注释比较细,就不多说了,看代码。对于两个模型不同的一些关键细节,我也用注释进行了说明。
# -*- coding: utf-8 -*- # @Time : 18-3-13 下午2:06 # @Author : AaronJny # @Email : Aaron__7@163.com import tensorflow as tf import functools import setting HIDDEN_SIZE = 128 # LSTM隐藏节点个数 NUM_LAYERS = 2 # RNN深度 def doublewrap(function): @functools.wraps(function) def decorator(*args, **kwargs): if len(args) == 1 and len(kwargs) == 0 and callable(args[0]): return function(args[0]) else: return lambda wrapee: function(wrapee, *args, **kwargs) return decorator @doublewrap def define_scope(function, scope=None, *args, **kwargs): attribute = '_cache_' + function.__name__ name = scope or function.__name__ @property @functools.wraps(function) def decorator(self): if not hasattr(self, attribute): with tf.variable_scope(name, *args, **kwargs): setattr(self, attribute, function(self)) return getattr(self, attribute) return decorator class TrainModel(object): """ 训练模型 """ def __init__(self, data, labels, emb_keep, rnn_keep): self.data = data # 数据 self.labels = labels # 标签 self.emb_keep = emb_keep # embedding层dropout保留率 self.rnn_keep = rnn_keep # lstm层dropout保留率 self.global_step self.cell self.predict self.loss self.optimize @define_scope def cell(self): """ rnn网络结构 :return: """ lstm_cell = [ tf.nn.rnn_cell.DropoutWrapper(tf.nn.rnn_cell.BasicLSTMCell(HIDDEN_SIZE), output_keep_prob=self.rnn_keep) for _ in range(NUM_LAYERS)] cell = tf.nn.rnn_cell.MultiRNNCell(lstm_cell) return cell @define_scope def predict(self): """ 定义前向传播 :return: """ # 创建词嵌入矩阵权重 embedding = tf.get_variable('embedding', shape=[setting.VOCAB_SIZE, HIDDEN_SIZE]) # 创建softmax层参数 if setting.SHARE_EMD_WITH_SOFTMAX: softmax_weights = tf.transpose(embedding) else: softmax_weights = tf.get_variable('softmaweights', shape=[HIDDEN_SIZE, setting.VOCAB_SIZE]) softmax_bais = tf.get_variable('softmax_bais', shape=[setting.VOCAB_SIZE]) # 进行词嵌入 emb = tf.nn.embedding_lookup(embedding, self.data) # dropout emb_dropout = tf.nn.dropout(emb, self.emb_keep) # 计算循环神经网络的输出 self.init_state = self.cell.zero_state(setting.BATCH_SIZE, dtype=tf.float32) outputs, last_state = tf.nn.dynamic_rnn(self.cell, emb_dropout, scope='d_rnn', dtype=tf.float32, initial_state=self.init_state) outputs = tf.reshape(outputs, [-1, HIDDEN_SIZE]) # 计算logits logits = tf.matmul(outputs, softmax_weights) + softmax_bais return logits @define_scope def loss(self): """ 定义损失函数 :return: """ # 计算交叉熵 outputs_target = tf.reshape(self.labels, [-1]) loss = tf.nn.sparse_softmax_cross_entropy_with_logits(logits=self.predict, labels=outputs_target, ) # 平均 cost = tf.reduce_mean(loss) return cost @define_scope def global_step(self): """ global_step :return: """ global_step = tf.Variable(0, trainable=False) return global_step @define_scope def optimize(self): """ 定义反向传播过程 :return: """ # 学习率衰减 learn_rate = tf.train.exponential_decay(setting.LEARN_RATE, self.global_step, setting.LR_DECAY_STEP, setting.LR_DECAY) # 计算梯度,并防止梯度爆炸 trainable_variables = tf.trainable_variables() grads, _ = tf.clip_by_global_norm(tf.gradients(self.loss, trainable_variables), setting.MAX_GRAD) # 创建优化器,进行反向传播 optimizer = tf.train.AdamOptimizer(learn_rate) train_op = optimizer.apply_gradients(zip(grads, trainable_variables), self.global_step) return train_op class EvalModel(object): """ 验证模型 """ def __init__(self, data, emb_keep, rnn_keep): self.data = data # 输入 self.emb_keep = emb_keep # embedding层dropout保留率 self.rnn_keep = rnn_keep # lstm层dropout保留率 self.cell self.predict self.prob @define_scope def cell(self): """ rnn网络结构 :return: """ lstm_cell = [ tf.nn.rnn_cell.DropoutWrapper(tf.nn.rnn_cell.BasicLSTMCell(HIDDEN_SIZE), output_keep_prob=self.rnn_keep) for _ in range(NUM_LAYERS)] cell = tf.nn.rnn_cell.MultiRNNCell(lstm_cell) return cell @define_scope def predict(self): """ 定义前向传播过程 :return: """ embedding = tf.get_variable('embedding', shape=[setting.VOCAB_SIZE, HIDDEN_SIZE]) if setting.SHARE_EMD_WITH_SOFTMAX: softmax_weights = tf.transpose(embedding) else: softmax_weights = tf.get_variable('softmaweights', shape=[HIDDEN_SIZE, setting.VOCAB_SIZE]) softmax_bais = tf.get_variable('softmax_bais', shape=[setting.VOCAB_SIZE]) emb = tf.nn.embedding_lookup(embedding, self.data) emb_dropout = tf.nn.dropout(emb, self.emb_keep) # 与训练模型不同,这里只要生成一首古体诗,所以batch_size=1 self.init_state = self.cell.zero_state(1, dtype=tf.float32) outputs, last_state = tf.nn.dynamic_rnn(self.cell, emb_dropout, scope='d_rnn', dtype=tf.float32, initial_state=self.init_state) outputs = tf.reshape(outputs, [-1, HIDDEN_SIZE]) logits = tf.matmul(outputs, softmax_weights) + softmax_bais # 与训练模型不同,这里要记录最后的状态,以此来循环生成字,直到完成一首诗 self.last_state = last_state return logits @define_scope def prob(self): """ softmax计算概率 :return: """ probs = tf.nn.softmax(self.predict) return probs
3.组织数据集
编写一个类用于组织数据,方便训练使用。代码很简单,应该不存在什么问题。
# -*- coding: utf-8 -*- # @Time : 18-3-13 上午11:59 # @Author : AaronJny # @Email : Aaron__7@163.com import numpy as np BATCH_SIZE = 64 DATA_PATH = 'processed_data/poetry.txt' class Dataset(object): def __init__(self, batch_size): self.batch_size = batch_size self.data, self.target = self.read_data() self.start = 0 self.lenth = len(self.data) def read_data(self): """ 从文件中读取数据,构建数据集 :return: 训练数据,训练标签 """ # 从文件中读取唐诗向量 id_list = [] with open(DATA_PATH, 'r') as f: f_lines = f.readlines() for line in f_lines: id_list.append([int(num) for num in line.strip().split()]) # 计算可以生成多少个batch num_batchs = len(id_list) // self.batch_size # data和target x_data = [] y_data = [] # 生成batch for i in range(num_batchs): # 截取一个batch的数据 start = i * self.batch_size end = start + self.batch_size batch = id_list[start:end] # 计算最大长度 max_lenth = max(map(len, batch)) # 填充 tmp_x = np.full((self.batch_size, max_lenth), 0, dtype=np.int32) # 数据覆盖 for row in range(self.batch_size): tmp_x[row, :len(batch[row])] = batch[row] tmp_y = np.copy(tmp_x) tmp_y[:, :-1] = tmp_y[:, 1:] x_data.append(tmp_x) y_data.append(tmp_y) return x_data, y_data def next_batch(self): """ 获取下一个batch :return: """ start = self.start self.start += 1 if self.start >= self.lenth: self.start = 0 return self.data[start], self.target[start] if __name__ == '__main__': dataset = Dataset(BATCH_SIZE) dataset.read_data()
4.训练模型
万事俱备,开始训练。
没有按照epoch进行训练,这里只是循环训练指定个mini_batch。
训练过程中,会定期显示当前训练步数以及loss值。会定期保存当前模型及对应checkpoint。
训练代码:
# -*- coding: utf-8 -*-
# @Time : 18-3-13 下午2:50 # @Author : AaronJny # @Email : Aaron__7@163.com import tensorflow as tf from rnn_models import TrainModel import dataset import setting TRAIN_TIMES = 30000 # 迭代总次数(没有计算epoch) SHOW_STEP = 1 # 显示loss频率 SAVE_STEP = 100 # 保存模型参数频率 x_data = tf.placeholder(tf.int32, [setting.BATCH_SIZE, None]) # 输入数据 y_data = tf.placeholder(tf.int32, [setting.BATCH_SIZE, None]) # 标签 emb_keep = tf.placeholder(tf.float32) # embedding层dropout保留率 rnn_keep = tf.placeholder(tf.float32) # lstm层dropout保留率 data = dataset.Dataset(setting.BATCH_SIZE) # 创建数据集 model = TrainModel(x_data, y_data, emb_keep, rnn_keep) # 创建训练模型 saver = tf.train.Saver() with tf.Session() as sess: sess.run(tf.global_variables_initializer()) # 初始化 for step in range(TRAIN_TIMES): # 获取训练batch x, y = data.next_batch() # 计算loss loss, _ = sess.run([model.loss, model.optimize], {model.data: x, model.labels: y, model.emb_keep: setting.EMB_KEEP, model.rnn_keep: setting.RNN_KEEP}) if step % SHOW_STEP == 0: print 'step {}, loss is {}'.format(step, loss) # 保存模型 if step % SAVE_STEP == 0: saver.save(sess, setting.CKPT_PATH, global_step=model.global_step)
5.验证模型
提供两种方法验证模型:
随机生成古体诗
生成藏头诗
随机生成的结果勉强可以接受,起码格式对了,看起来也像个样子。
生成藏头诗就五花八门了,效果不好,往往要多次才能生成一个差强人意的。emmm,其实也可以理解,毕竟我们指定的“藏头”在训练集中的分布是不能保证的。
这里简单说一下生成古体诗的过程:
1.首先,读取训练模型保存的参数,覆盖验证模型的参数
2.将开始符号's'作为输入,喂给模型,模型将输出下一个字符为此表中各词的概率,以及rnn传递的state。注意,验证模型时,dropout的保留率应设置为1.0
3.根据2中输出的概率,使用轮盘赌法,随机出下一个字
4.将随机出来的字作为输入,前一次输出的state作为本次输入的state,喂给模型,模型将输入下一个字符为此表中各词的概率,以及rnn传递的state
5.重复3,4步骤,直到随机出结束符'e',生成结束。过程中生成的所有字符,构成本次生成的古体诗('s'和'e'不算)
生成藏头诗的过程与生成古体诗是类似的,主要区别在于,在开始和每个标点符号被预测出来时,向模型喂给的是“藏头”中的一个字,就不多说了,详情可参考代码。
# -*- coding: utf-8 -*- # @Time : 18-3-13 下午2:50 # @Author : AaronJny # @Email : Aaron__7@163.com import sys reload(sys) sys.setdefaultencoding('utf8') import tensorflow as tf import numpy as np from rnn_models import EvalModel import utils import os # 指定验证时不使用cuda,这样可以在用gpu训练的同时,使用cpu进行验证 os.environ['CUDA_VISIBLE_DEVICES'] = '' x_data = tf.placeholder(tf.int32, [1, None]) emb_keep = tf.placeholder(tf.float32) rnn_keep = tf.placeholder(tf.float32) # 验证用模型 model = EvalModel(x_data, emb_keep, rnn_keep) saver = tf.train.Saver() # 单词到id的映射 word2id_dict = utils.read_word_to_id_dict() # id到单词的映射 id2word_dict = utils.read_id_to_word_dict() def generate_word(prob): """ 选择概率最高的前100个词,并用轮盘赌法选取最终结果 :param prob: 概率向量 :return: 生成的词 """ prob = sorted(prob, reverse=True)[:100] index = np.searchsorted(np.cumsum(prob), np.random.rand(1) * np.sum(prob)) return id2word_dict[int(index)] # def generate_word(prob): # """ # 从所有词中,使用轮盘赌法选取最终结果 # :param prob: 概率向量 # :return: 生成的词 # """ # index = int(np.searchsorted(np.cumsum(prob), np.random.rand(1) * np.sum(prob))) # return id2word_dict[index] def generate_poem(): """ 随机生成一首诗歌 :return: """ with tf.Session() as sess: # 加载最新的模型 ckpt = tf.train.get_checkpoint_state('ckpt') saver.restore(sess, ckpt.model_checkpoint_path) # 预测第一个词 rnn_state = sess.run(model.cell.zero_state(1, tf.float32)) x = np.array([[word2id_dict['s']]], np.int32) prob, rnn_state = sess.run([model.prob, model.last_state], {model.data: x, model.init_state: rnn_state, model.emb_keep: 1.0, model.rnn_keep: 1.0}) word = generate_word(prob) poem = '' # 循环操作,直到预测出结束符号‘e' while word != 'e': poem += word x = np.array([[word2id_dict[word]]]) prob, rnn_state = sess.run([model.prob, model.last_state], {model.data: x, model.init_state: rnn_state, model.emb_keep: 1.0, model.rnn_keep: 1.0}) word = generate_word(prob) # 打印生成的诗歌 print poem def generate_acrostic(head): """ 生成藏头诗 :param head:每行的第一个字组成的字符串 :return: """ with tf.Session() as sess: # 加载最新的模型 ckpt = tf.train.get_checkpoint_state('ckpt') saver.restore(sess, ckpt.model_checkpoint_path) # 进行预测 rnn_state = sess.run(model.cell.zero_state(1, tf.float32)) poem = '' cnt = 1 # 一句句生成诗歌 for x in head: word = x while word != ',' and word != '。': poem += word x = np.array([[word2id_dict[word]]]) prob, rnn_state = sess.run([model.prob, model.last_state], {model.data: x, model.init_state: rnn_state, model.emb_keep: 1.0, model.rnn_keep: 1.0}) word = generate_word(prob) if len(poem) > 25: print 'bad.' break # 根据单双句添加标点符号 if cnt & 1: poem += ',' else: poem += '。' cnt += 1 # 打印生成的诗歌 print poem return poem if __name__ == '__main__': # generate_acrostic(u'神策') generate_poem()
6.一些提取出来的方法和配置
很简单,不多说。
utils.py
# -*- coding: utf-8 -*- # @Time : 18-3-13 下午4:16 # @Author : AaronJny # @Email : Aaron__7@163.com import setting def read_word_list(): """ 从文件读取词汇表 :return: 词汇列表 """ with open(setting.VOCAB_PATH, 'r') as f: word_list = [word for word in f.read().decode('utf8').strip().split('\n')] return word_list def read_word_to_id_dict(): """ 生成单词到id的映射 :return: """ word_list=read_word_list() word2id=dict(zip(word_list,range(len(word_list)))) return word2id def read_id_to_word_dict(): """ 生成id到单词的映射 :return: """ word_list=read_word_list() id2word=dict(zip(range(len(word_list)),word_list)) return id2word if __name__ == '__main__': read_id_to_word_dict()
setting.py
# -*- coding: utf-8 -*- # @Time : 18-3-13 下午3:08 # @Author : AaronJny # @Email : Aaron__7@163.com VOCAB_SIZE = 6272 # 词汇表大小 SHARE_EMD_WITH_SOFTMAX = True # 是否在embedding层和softmax层之间共享参数 MAX_GRAD = 5.0 # 最大梯度,防止梯度爆炸 LEARN_RATE = 0.0005 # 初始学习率 LR_DECAY = 0.92 # 学习率衰减 LR_DECAY_STEP = 600 # 衰减步数 BATCH_SIZE = 64 # batch大小 CKPT_PATH = 'ckpt/model_ckpt' # 模型保存路径 VOCAB_PATH = 'vocab/poetry.vocab' # 词表路径 EMB_KEEP = 0.5 # embedding层dropout保留率 RNN_KEEP = 0.5 # lstm层dropout保留率
7.完毕
编码到此结束,有兴趣的朋友可以自己跑一跑,玩一玩,我就不多做测试了。
项目GitHub地址:https://github.com/AaronJny/peotry_generate
博主也正在学习,能力浅薄,文中如有瑕疵纰漏之处,还请路过的诸位大佬不吝赐教,万分感谢!
以上就是本文的全部内容,希望对大家的学习有所帮助,也希望大家多多支持我们。
您可能感兴趣的文章:
- Python实现的递归神经网络简单示例
- Python基于numpy灵活定义神经网络结构的方法
- Python实现的人工神经网络算法示例【基于反向传播算法】
- python机器学习之神经网络(一)
- 基于循环神经网络(RNN)实现影评情感分类