文本预处理、语言模型、循环神经网络
一、文本预处理
1.读入文本
- re.sub(pattern, repl, string, count=0, flags=0):对string中符合正则表达式pattern的替换成repl
import collections
import re
def read_time_machine():
with open('/home/kesci/input/timemachine7163/timemachine.txt','r') as f:
# [^a-z]:除小写a-z外的字符,+:匹配前一个1次或无数次,即在line的除字母外其他字符用空格代替
lines = [re.sub('[^a-z]+',' ',line.strip().lower()) for line in f]
return lines
lines = read_time_machine()
2.分词
- 将一个句子划分为若干个词(token)
def tokenize(sentences,token='word'):
if token == 'word':
return [sentence.split(' ') for sentence in sentences]
elif token == 'char':
return [list(sentence) for sentence in sentences]
else:
print('ERROR: unkown token type '+token)
token = tokenize(lines)
3.建立字典
# 建立字典
class Vocab(object):
def __init__(self, tokens, min_freq=0, use_special_tokens=False):
counter = count_corpus(tokens) # 记录每个词的次数的字典
self.token_freqs = list(counter.items()) # 词的个数
self.idx_to_token = []
# 是否存在特殊字符
if use_special_tokens:
# padding, begin of sentence, end of sentence, unknown
self.pad, self.bos, self.eos, self.unk = (0, 1, 2, 3)
self.idx_to_token += ['', '', '', '']
else:
self.unk = 0
self.idx_to_token += ['']
# 将出现过的token添加到idx_to_token
self.idx_to_token += [token for token, freq in self.token_freqs
if freq >= min_freq and token not in self.idx_to_token]
self.token_to_idx = dict()
# 将每个词映射到索引
for idx, token in enumerate(self.idx_to_token):
self.token_to_idx[token] = idx
# 词的个数
def __len__(self):
return len(self.idx_to_token)
def __getitem__(self, tokens):
if not isinstance(tokens, (list, tuple)):
return self.token_to_idx.get(tokens, self.unk)
return [self.__getitem__(token) for token in tokens]
def to_tokens(self, indices):
if not isinstance(indices, (list, tuple)):
return self.idx_to_token[indices]
return [self.idx_to_token[index] for index in indices]
def count_corpus(sentences):
tokens = [tk for st in sentences for tk in st]
return collections.Counter(tokens) # 返回一个字典,记录每个词的出现次数
4.将词转换为索引
vocab = Vocab(tokens)
for i in range(8, 10):
print('words:', tokens[i])
print('indices:', vocab[tokens[i]])
>>> words: ['the', 'time', 'traveller', 'for', 'so', 'it', 'will', 'be', 'convenient', 'to', 'speak', 'of', 'him', '']
indices: [1, 2, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 0]
words: ['was', 'expounding', 'a', 'recondite', 'matter', 'to', 'us', 'his', 'grey', 'eyes', 'shone', 'and']
indices: [20, 21, 22, 23, 24, 16, 25, 26, 27, 28, 29, 30]
5.直接分词的包
- spaCy和NLTK
text = "Mr. Chen doesn't agree with my suggestion."
import spacy
nlp = spacy.load('en_core_web_sm')
doc = nlp(text)
print([token.text for token in doc])
from nltk.tokenize import word_tokenize
from nltk import data
data.path.append('/home/kesci/input/nltk_data3784/nltk_data')
print(word_tokenize(text))
二、 语言模型
1.概念
- 定义:给定一个长度为 的词的序列 ,语言模型用于评价该序列是否合理,通过计算该序列的概率: 来判断。
- 假设序列 每个词依次生成,因此
- 语言模型的参数是词的概率和给定前几个词情况下的条件概率。
- 词的概率可以通过该词在训练集中的词频计算:
- 给定
情况下,
的条件概率为:
,
为以
为第一个词,
为第二个词的数量。
2.n元语法
- 计算和储存多个词共同出现的概率的复杂度大大增强。可以通过马尔可夫假设简化模型。
- 马尔可夫假设是指一个词的出现只与前 个词相关,即 阶马尔可夫链。如果 ,则
- 根据 阶马尔可夫链,语言模型为: ,称为 元语法(基于 阶马尔可夫链)。
- 一元语法( ):例如:
- 二元语法( ):例如:
- 三元语法( ):例如:
- 注:
较小时,
元语法不太准确。存在参数空间过大,数据稀疏的缺陷
3.时序数据的采样
- 时序数据的样本通常包含连续的字符,该样本的标签序列为这些字符的下一个字符。
- 假设样本为“想要有直升机,想要和”,时间步数为5,那么样本和标签为:
- X:想要有直升,Y:要有直升机
- X:要有直升机,Y:有直升机,
- ……
- X:升机,想要,Y:机,想要和
- 假设样本为“想要有直升机,想要和”,时间步数为5,那么样本和标签为:
- 但是这些样本会有大量重合,需要更高效的采样方式:随机采样和相邻采样
- 随机采样:每次从数据里随机采样一个小批量(batch_size),定好时间步数(num_steps)。由于每次是随机采样,所以相邻的两个随机小批量在原始序列上的位置不一定相邻
- 相邻采样:相邻采样的两个随机小批量在原始序列上的位置相毗邻。
4.python实现
- 读取数据集,建立字符索引
# 读取数据集
with open(r'C:\Users\dell\Desktop\jaychou_lyrics.txt',encoding='utf-8') as f:
corpus_chars = f.read()
corpus_chars = corpus_chars.replace('\n',' ').replace('\r',' ') # 连接在一起
corpus_chars = corpus_chars[:1000]
# 去重,得到索引到字符的映射,形成一个非重的字符列表
idx_to_char = list(set(corpus_chars))
# 构造字典,字符到索引的映射
char_to_idx = {char: i for i, char in enumerate(idx_to_char)}
vocab_size = len(char_to_idx)
# 将每个字符转化为索引,得到一个索引的序列
corpus_indices = [char_to_idx[char] for char in corpus_chars]
# 举例,选择一句,得到对应索引
sample = corpus_indices[: 20]
print('chars:', ''.join([idx_to_char[idx] for idx in sample]))
print('indices:', sample)
>>> chars: 想要有直升机 想要和你飞到宇宙去 想要和
indices: [84, 94, 70, 32, 170, 10, 127, 84, 94, 150, 157, 104, 99, 65, 53, 156, 127, 84, 94, 150]
# 将上述过程简化为一个函数
def load_data_jay_lyrics():
with open(r'C:\Users\dell\Desktop\jaychou_lyrics.txt',encoding='utf-8') as f:
corpus_chars = f.read()
corpus_chars = corpus_chars.replace('\n', ' ').replace('\r', ' ')
corpus_chars = corpus_chars[0:10000]
idx_to_char = list(set(corpus_chars))
char_to_idx = dict([(char, i) for i, char in enumerate(idx_to_char)])
vocab_size = len(char_to_idx)
corpus_indices = [char_to_idx[char] for char in corpus_chars]
return corpus_indices, char_to_idx, idx_to_char, vocab_size
- 随机采样
import torch
import random
# 随机采样
def data_iter_random(corpus_indices, batch_size, num_steps, device=None):
# 减1是因为对于长度为n的序列,X最多只有包含其中的前n - 1个字符
num_examples = (len(corpus_indices) - 1) // num_steps # 下取整,得到不重叠情况下的样本个数
example_indices = [i * num_steps for i in range(num_examples)] # 每个样本的第一个字符在corpus_indices中的下标
random.shuffle(example_indices) # 打乱索引顺序
def _data(i):
# 返回从i开始的长为num_steps的序列
return corpus_indices[i: i + num_steps]
if device is None:
device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
for i in range(0, num_examples, batch_size):
# 每次选出batch_size个随机样本
batch_indices = example_indices[i: i + batch_size] # 当前batch的各个样本的首字符的下标
X = [_data(j) for j in batch_indices]
Y = [_data(j + 1) for j in batch_indices]
yield torch.tensor(X, device=device), torch.tensor(Y, device=device)
# 举例
my_seq = list(range(30))
for X, Y in data_iter_random(my_seq, batch_size=2, num_steps=6):
print('X: ', X, '\nY:', Y, '\n')
>>> X: tensor([[18, 19, 20, 21, 22, 23],
[ 0, 1, 2, 3, 4, 5]])
Y: tensor([[19, 20, 21, 22, 23, 24],
[ 1, 2, 3, 4, 5, 6]])
X: tensor([[ 6, 7, 8, 9, 10, 11],
[12, 13, 14, 15, 16, 17]])
Y: tensor([[ 7, 8, 9, 10, 11, 12],
[13, 14, 15, 16, 17, 18]])
- 相邻采样
# 相邻采样
def data_iter_consecutive(corpus_indices, batch_size, num_steps, device=None):
if device is None:
device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
corpus_len = len(corpus_indices) // batch_size * batch_size # 保留下来的序列的长度
corpus_indices = corpus_indices[: corpus_len] # 仅保留前corpus_len个字符
indices = torch.tensor(corpus_indices, device=device)
indices = indices.view(batch_size, -1) # resize成(batch_size, )
batch_num = (indices.shape[1] - 1) // num_steps
for i in range(batch_num):
i = i * num_steps
X = indices[:, i: i + num_steps]
Y = indices[:, i + 1: i + num_steps + 1]
yield X, Y
for X, Y in data_iter_consecutive(my_seq, batch_size=2, num_steps=6):
print('X: ', X, '\nY:', Y, '\n')
>>>X: tensor([[ 0, 1, 2, 3, 4, 5],
[15, 16, 17, 18, 19, 20]])
Y: tensor([[ 1, 2, 3, 4, 5, 6],
[16, 17, 18, 19, 20, 21]])
X: tensor([[ 6, 7, 8, 9, 10, 11],
[21, 22, 23, 24, 25, 26]])
Y: tensor([[ 7, 8, 9, 10, 11, 12],
[22, 23, 24, 25, 26, 27]])
三、循环神经网络
1.基于循环神经网络实现语言模型
- 基于当前输入与过去输入序列,预测下一个字符。循环神经网络引入一个隐藏变量 ,用 表示 在时间步数 的值。 的值基于 和 。结构如下图所示:
- 表达式:引入 ,使 能获得序列的历史信息。 由于 的计算基于 ,使用循环计算的网络,所以称为循环神经网络。
- 输出层的输出为:
2.从零实现循环神经网络
- 导入数据,初始化参数
- torch.nn.Parameter():理解为类型转换函数,将一个不可训练的类型Tensor转换成可以训练的类型parameter并将这个parameter绑定到这个module里面
import torch
import torch.nn as nn
import time
import math
import sys
sys.path.append("/home/kesci/input")
device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
def load_data_jay_lyrics():
with open(r'C:\Users\dell\Desktop\jaychou_lyrics.txt',encoding='utf-8') as f:
corpus_chars = f.read()
corpus_chars = corpus_chars.replace('\n', ' ').replace('\r', ' ')
corpus_chars = corpus_chars[0:10000]
idx_to_char = list(set(corpus_chars))
char_to_idx = dict([(char, i) for i, char in enumerate(idx_to_char)])
vocab_size = len(char_to_idx)
corpus_indices = [char_to_idx[char] for char in corpus_chars]
return corpus_indices, char_to_idx, idx_to_char, vocab_size
# 数据集
(corpus_indices, char_to_idx, idx_to_char, vocab_size) = load_data_jay_lyrics()
# 初始化参数
num_inputs, num_hiddens, num_outputs = vocab_size, 256, vocab_size
def get_params():
def _one(shape):
param = torch.zeros(shape, device=device, dtype=torch.float32)
nn.init.normal_(param, 0, 0.01)
return torch.nn.Parameter(param)
# 隐藏层参数
W_xh = _one((num_inputs, num_hiddens))
W_hh = _one((num_hiddens, num_hiddens))
b_h = torch.nn.Parameter(torch.zeros(num_hiddens, device=device))
# 输出层参数
W_hq = _one((num_hiddens, num_outputs))
b_q = torch.nn.Parameter(torch.zeros(num_outputs, device=device))
return (W_xh, W_hh, b_h, W_hq, b_q)
- one-shot函数:将字符表示成向量
- 定义模型
# 将字符表示成向量
# 定义一个字典,每个字符对应于唯一的索引
# 每个字符的向量是只有索引位置的元素是1,其余为0的向量
def one_hot(x, n_class, dtype=torch.float32):
result = torch.zeros(x.shape[0], n_class, dtype=dtype, device=x.device) # shape: (n, n_class)
# .scatter_(dim, index, src)将src根据index中的索引按照dim的方向填进input中
result.scatter_(1, x.long().view(-1, 1), 1) # result[i, x[i, 0]] = 1
return result
# 将采样的小批量(批量大小,时间步数)变换为形状为(批量大小,词典大小)的矩阵
def to_onehot(X, n_class):
return [one_hot(X[:, i], n_class) for i in range(X.shape[1])]
# 定义模型
def rnn(inputs, state, params):
# inputs和outputs皆为num_steps个形状为(batch_size, vocab_size)的矩阵
W_xh, W_hh, b_h, W_hq, b_q = params
H, = state
outputs = []
for X in inputs:
# 隐藏层使用tanh函数作为激活函数
H = torch.tanh(torch.matmul(X, W_xh) + torch.matmul(H, W_hh) + b_h)
Y = torch.matmul(H, W_hq) + b_q
outputs.append(Y)
return outputs, (H,)
# 初始化隐藏变量(返回元组)
def init_rnn_state(batch_size, num_hiddens, device):
return (torch.zeros((batch_size, num_hiddens), device=device), )
扫描二维码关注公众号,回复:
10230371 查看本文章
- 裁剪梯度:循环神经网络易出现梯度衰减或梯度爆炸,可以用裁剪梯度的方式应对梯度保证。
- 假设将所有模型参数的梯度组合成一个向量 ,同时设置裁剪的阈值为 ,则裁剪后的梯度 的 范数不超过
# 裁剪梯度
def grad_clipping(params, theta, device):
norm = torch.tensor([0.0], device=device)
for param in params:
norm += (param.grad.data ** 2).sum()
norm = norm.sqrt().item() # L2范数
if norm > theta: # 大于阈值
for param in params:
param.grad.data *= (theta / norm)
- 预测函数
# 预测函数(根据输入的字符输出指定长度句子)
def predict_rnn(prefix, num_chars, rnn, params, init_rnn_state,
num_hiddens, vocab_size, device, idx_to_char, char_to_idx):
state = init_rnn_state(1, num_hiddens, device)
output = [char_to_idx[prefix[0]]] # output记录prefix加上预测的num_chars个字符
for t in range(num_chars + len(prefix) - 1):
# 将上一时间步的输出作为当前时间步的输入
X = to_onehot(torch.tensor([[output[-1]]], device=device), vocab_size)
# 计算输出和更新隐藏状态
(Y, state) = rnn(X, state, params)
# 下一个时间步的输入是prefix里的字符或者当前的最佳预测字符
if t < len(prefix) - 1:
output.append(char_to_idx[prefix[t + 1]])
else:
output.append(Y[0].argmax(dim=1).item())
return ''.join([idx_to_char[i] for i in output])
- 训练函数
- 使用困惑度评价模型
- 困惑度是对交叉熵损失函数做指数运算后得到的值。任何一个有效模型的困惑度必须小于类别个数。
- 在迭代参数前裁剪梯度
- 使用不同采样方法将导致隐藏状态初始化的不同
- 使用困惑度评价模型
# 训练模型
def train_and_predict_rnn(rnn, get_params, init_rnn_state, num_hiddens,
vocab_size, device, corpus_indices, idx_to_char,
char_to_idx, is_random_iter, num_epochs, num_steps,
lr, clipping_theta, batch_size, pred_period,
pred_len, prefixes):
# 随机采样还是相邻采样
if is_random_iter:
data_iter_fn = data_iter_random # 在语言模型的章节里有该函数
else:
data_iter_fn = data_iter_consecutive
params = get_params()
loss = nn.CrossEntropyLoss()
for epoch in range(num_epochs):
if not is_random_iter: # 如使用相邻采样,在epoch开始时初始化隐藏状态
state = init_rnn_state(batch_size, num_hiddens, device)
l_sum, n, start = 0.0, 0, time.time()
data_iter = data_iter_fn(corpus_indices, batch_size, num_steps, device)
for X, Y in data_iter:
if is_random_iter: # 如使用随机采样,在每个小批量更新前初始化隐藏状态
state = init_rnn_state(batch_size, num_hiddens, device)
else: # 否则需要使用detach函数从计算图分离隐藏状态
for s in state:
s.detach_()
# inputs是num_steps个形状为(batch_size, vocab_size)的矩阵
inputs = to_onehot(X, vocab_size)
# outputs有num_steps个形状为(batch_size, vocab_size)的矩阵
(outputs, state) = rnn(inputs, state, params)
# 拼接之后形状为(num_steps * batch_size, vocab_size)
outputs = torch.cat(outputs, dim=0)
# Y的形状是(batch_size, num_steps),转置后再变成形状为
# (num_steps * batch_size,)的向量,这样跟输出的行一一对应
y = torch.flatten(Y.T)
# 使用交叉熵损失计算平均分类误差
l = loss(outputs, y.long())
# 梯度清0
if params[0].grad is not None:
for param in params:
param.grad.data.zero_()
l.backward()
grad_clipping(params, clipping_theta, device) # 裁剪梯度
d2l.sgd(params, lr, 1) # 因为误差已经取过均值,梯度不用再做平均
l_sum += l.item() * y.shape[0]
n += y.shape[0]
if (epoch + 1) % pred_period == 0:
print('epoch %d, perplexity %f, time %.2f sec' % (
epoch + 1, math.exp(l_sum / n), time.time() - start))
for prefix in prefixes:
print(' -', predict_rnn(prefix, pred_len, rnn, params, init_rnn_state,
num_hiddens, vocab_size, device, idx_to_char, char_to_idx))
- 实例训练
num_epochs, num_steps, batch_size, lr, clipping_theta = 250, 35, 32, 1e2, 1e-2
pred_period, pred_len, prefixes = 50, 50, ['分开', '不分开']
# 随机采样
train_and_predict_rnn(rnn, get_params, init_rnn_state, num_hiddens,
vocab_size, device, corpus_indices, idx_to_char,
char_to_idx, True, num_epochs, num_steps, lr,
clipping_theta, batch_size, pred_period, pred_len,
prefixes)
# 相邻采样
train_and_predict_rnn(rnn, get_params, init_rnn_state, num_hiddens,
vocab_size, device, corpus_indices, idx_to_char,
char_to_idx, False, num_epochs, num_steps, lr,
clipping_theta, batch_size, pred_period, pred_len,
prefixes)
3.pytorch实现
- pytorch中有nn.RNN函数用于构造循环神经网络
- 参数:input_size,hidden_size,nonlinearity(tanh or relu),batch_first(bool型,if True,输入和输出值的tensor应当是(batch_size,num_steps,input_size))
- forward函数:input of shape (num_steps, batch_size, input_size):输入的一些特征
- h_0 of shape (num_layers * num_directions, batch_size, hidden_size):隐藏层的特征
- 返回输出值的特征和h_n of shape
rnn_layer = nn.RNN(input_size=vocab_size, hidden_size=num_hiddens)
num_steps, batch_size = 35, 2
X = torch.rand(num_steps, batch_size, vocab_size)
state = None
Y, state_new = rnn_layer(X, state)
# 循环神经网络模型
class RNNModel(nn.Module):
def __init__(self, rnn_layer, vocab_size):
super(RNNModel, self).__init__()
self.rnn = rnn_layer
self.hidden_size = rnn_layer.hidden_size * (2 if rnn_layer.bidirectional else 1)
self.vocab_size = vocab_size
self.dense = nn.Linear(self.hidden_size, vocab_size)
def forward(self, inputs, state):
# inputs.shape: (batch_size, num_steps)
X = to_onehot(inputs, vocab_size)
X = torch.stack(X) # X.shape: (num_steps, batch_size, vocab_size)
hiddens, state = self.rnn(X, state)
hiddens = hiddens.view(-1, hiddens.shape[-1]) # hiddens.shape: (num_steps * batch_size, hidden_size)
output = self.dense(hiddens)
return output, state
# 预测
def predict_rnn_pytorch(prefix, num_chars, model, vocab_size, device, idx_to_char,
char_to_idx):
state = None
output = [char_to_idx[prefix[0]]] # output记录prefix加上预测的num_chars个字符
for t in range(num_chars + len(prefix) - 1):
X = torch.tensor([output[-1]], device=device).view(1, 1)
(Y, state) = model(X, state) # 前向计算不需要传入模型参数
if t < len(prefix) - 1:
output.append(char_to_idx[prefix[t + 1]])
else:
output.append(Y.argmax(dim=1).item())
return ''.join([idx_to_char[i] for i in output])
# 训练模型
def train_and_predict_rnn_pytorch(model, num_hiddens, vocab_size, device,
corpus_indices, idx_to_char, char_to_idx,
num_epochs, num_steps, lr, clipping_theta,
batch_size, pred_period, pred_len, prefixes):
loss = nn.CrossEntropyLoss()
optimizer = torch.optim.Adam(model.parameters(), lr=lr)
model.to(device)
for epoch in range(num_epochs):
l_sum, n, start = 0.0, 0, time.time()
data_iter = data_iter_consecutive(corpus_indices, batch_size, num_steps, device) # 相邻采样
state = None
for X, Y in data_iter:
if state is not None:
# 使用detach函数从计算图分离隐藏状态
if isinstance (state, tuple): # LSTM, state:(h, c)
state[0].detach_()
state[1].detach_()
else:
state.detach_()
(output, state) = model(X, state) # output.shape: (num_steps * batch_size, vocab_size)
y = torch.flatten(Y.T)
l = loss(output, y.long())
optimizer.zero_grad()
l.backward()
grad_clipping(model.parameters(), clipping_theta, device)
optimizer.step()
l_sum += l.item() * y.shape[0]
n += y.shape[0]
if (epoch + 1) % pred_period == 0:
print('epoch %d, perplexity %f, time %.2f sec' % (
epoch + 1, math.exp(l_sum / n), time.time() - start))
for prefix in prefixes:
print(' -', predict_rnn_pytorch(
prefix, pred_len, model, vocab_size, device, idx_to_char,
char_to_idx))
# 实例
num_epochs, batch_size, lr, clipping_theta = 250, 32, 1e-3, 1e-2
pred_period, pred_len, prefixes = 50, 50, ['分开', '不分开']
train_and_predict_rnn_pytorch(model, num_hiddens, vocab_size, device,
corpus_indices, idx_to_char, char_to_idx,
num_epochs, num_steps, lr, clipping_theta,
batch_size, pred_period, pred_len, prefixes)
# 结果
>>> epoch 50, perplexity 13.398954, time 1.56 sec
- 分开始我不 想要你不想我 你不你 我 你不了我 我不要再想 我不要再想 我不要再想 我想要你不多
- 不分开 我不要再想 我想你你 我有你 不要 你 你不了 不能我想你 我不多 想不你 想不你 想不你 想
epoch 100, perplexity 1.286338, time 1.45 sec
- 分开不我去 想想你你发我我妈 难道的手不会去吗 我不 我想要你不起 不 我不了口让她知道 就是开 想要
- 不分开不想就多 不到 没有你说啊我 你这样打生活 不想要 这样世我妈出老生活 我想你 你爸我不多难熬
epoch 150, perplexity 1.063623, time 1.42 sec
- 分开不我去吃 太多 怎么是你是雨 想就 是没有你 我我 你爸不你我爱 你说 我给你 爱写在西元前 深埋在
- 不分开不想就多 不到 这样打我妈 不要再这样打我妈妈 难道你手不会痛吗 不要再这样打我妈妈 难道你手不会
epoch 200, perplexity 1.035984, time 1.28 sec
- 分开 我心吃乡满腔的母斑鸠 印地安老斑鸠 腿短毛不多 几天都没有喝水也能活 脑袋瓜有一点秀逗 猎物死了它
- 不分开不能再多 没多 你 我有没有 有没有 说没有你烦 我 你烦我 你爸 道因我 了很久 是战 想要你却
epoch 250, perplexity 1.022082, time 1.21 sec
- 分开 我心人乡坏坏的让我疯狂的可爱女人 漂亮的让我面红的可爱女人 温柔的让我心疼的可爱女人 透明的让我感
- 不分开不 我不 心说你 一场悲剧 我可完美演出的一场戏 宁愿心碎哭泣 再狠狠忘记 你爱过我的证据 让晶莹的
In [epoch 50, perplexity 13.398954, time 1.56 sec
- 分开始我不 想要你不想我 你不你 我 你不了我 我不要再想 我不要再想 我不要再想 我想要你不多
- 不分开 我不要再想 我想你你 我有你 不要 你 你不了 不能我想你 我不多 想不你 想不你 想不你 想
epoch 100, perplexity 1.286338, time 1.45 sec
- 分开不我去 想想你你发我我妈 难道的手不会去吗 我不 我想要你不起 不 我不了口让她知道 就是开 想要
- 不分开不想就多 不到 没有你说啊我 你这样打生活 不想要 这样世我妈出老生活 我想你 你爸我不多难熬
epoch 150, perplexity 1.063623, time 1.42 sec
- 分开不我去吃 太多 怎么是你是雨 想就 是没有你 我我 你爸不你我爱 你说 我给你 爱写在西元前 深埋在
- 不分开不想就多 不到 这样打我妈 不要再这样打我妈妈 难道你手不会痛吗 不要再这样打我妈妈 难道你手不会
epoch 200, perplexity 1.035984, time 1.28 sec
- 分开 我心吃乡满腔的母斑鸠 印地安老斑鸠 腿短毛不多 几天都没有喝水也能活 脑袋瓜有一点秀逗 猎物死了它
- 不分开不能再多 没多 你 我有没有 有没有 说没有你烦 我 你烦我 你爸 道因我 了很久 是战 想要你却
epoch 250, perplexity 1.022082, time 1.21 sec
- 分开 我心人乡坏坏的让我疯狂的可爱女人 漂亮的让我面红的可爱女人 温柔的让我心疼的可爱女人 透明的让我感
- 不分开不 我不 心说你 一场悲剧 我可完美演出的一场戏 宁愿心碎哭泣 再狠狠忘记 你爱过我的证据 让晶莹的