NLP人工智能写诗模型之李小白

 

1.前言

              我希望我的技术是有温度的，也许是生活已经足够冰冷。我希望赋予我的模型以生命，它们在那个虚拟世界里面的生活，又何尝不跟我们这个所谓真实的世界一样呢？所以我叫他李小白，因为我喜欢那句‘乘风破浪会有时，直挂云帆济沧海’。

2.目标

               我们希望得到这样一个模型，当我输入第一个字的时候，她可以用这个字开头为我做一首诗。

3.思路

                我们会让模型读上万首诗，他会从中学习到一种能力，写诗。无关意境、无关思想、只是为了好玩。我们使用LSTM循环神经网络作为隐层，基本网络结构为输入层——>LSTM——>LSTM——>输出层；

4.数据预处理

              1.我们的训练数据总共有43030行，每一行代表一首诗词。格式为‘标题:内容’如下：
                     静夜思:床前明月光，疑是地上霜。举头望明月，低头思故乡。
              2.预处理
                   1)将每行诗的内容(不包含标题),加入到poetrys向量中。过滤掉少于5个字的和大于79个字的诗，去掉特殊字符，每行内容添加'['、']'作为开始和结束标签。过滤完后剩下34646首诗
                   2)按照每行诗内容的长度，对poetrys向量进行排序
                   3)生成词表，按照每个字出现的次数对其进行编码，出现次数越多则编码越小
                   4)根据词表，将诗集poetrys转换为数字形式
                   5)准备训练数据,加载所有批次的数据，对于每个批次来说，x为批次数量的诗句，诗句的长度为该批次中最长的诗句长度。y为x去掉第一位重复最后一位得到的诗句。

                    6）使用嵌入层对每个词向量进行one-hot编码，并且编码后的向量使用隐层嵌入矩阵映射为一个稠密向量。

5.RNN网络

                1.我们使用两层的LSTM网络, 隐层神经元128个。

                 2.优化器使用adam

                 3.损失函数还是选择传统的softmax,对于一个批次中的所有数据loss进行累积，然后求平均

6.训练

                 1.每个批次有256条数据，训练50个轮次，每隔7个轮次保存一次生成的模型。
                            学习率衰减为:0.002 * (0.97 ** epoch)
                  2.为了防止梯度爆炸和梯度消失，对于计算出来的梯度进行了截取，使用tf.clip_by_global_norm，截取率设置为5
                           

7.预测

                高阵明日自有碛，

                来有纤城还惟。

                谁玄骚市看情烟，

                欲雨清婺纵砚山。

                这个模型在GTX1050显卡上训练了20分钟，上面的例子我给出了首个字高，李小白同学就为我输出了这首诗；我自己的水平有限，不敢妄加评论。也许我们的模型没有经历过挫折与坎坷，写不出那样‘念天地之悠悠，独怆然而涕下’的诗句。但是 从本质上讲，人类通过学习知识，能出口成章，这跟模型是没有什么区别的。也许当我们真正找到自己跟模型不一样的地方的那天，我们也就找到了真正的自己吧！各位看官如果心情不好的话，看一下下面这个伟大的视频，杨超越真的超级可爱！

【火箭少女解散】杨超越告别感言太好笑了！！哈哈哈哈哈哈哈哈哈哈哈哈哈哈哈哈明明是很伤心的事，看得我又哭又笑的杨超越：“我真是干啥啥不行，跟老板吵架第一名”

       

8.代码

1.训练代码

import collections
import numpy as np
import tensorflow as tf

# -------------------------------数据预处理---------------------------#
poetry_file = 'poetry.txt'
#poetry_file = './data/poetry.txt'

# 诗集
poetrys = []
#加载诗集到一个数组，对于特殊字符进行处理，并且对于每行诗左右添加[]
with open(poetry_file, "r", encoding='utf-8', ) as f:
    for line in f:
        try:
            title, content = line.strip().split(':')
            content = content.replace(' ', '')
            if '_' in content or '(' in content or '（' in content or '《' in content or '[' in content:
                continue
            if len(content) < 5 or len(content) > 79:
                continue
            content = '[' + content + ']'
            poetrys.append(content)
        except Exception as e:
            pass

# 按诗的字数排序
poetrys = sorted(poetrys, key=lambda line: len(line), reverse=False)
print('唐诗总数: ', len(poetrys))

# 统计每个字出现次数
all_words = []
for poetry in poetrys:
    temp = [word for word in poetry]
    all_words += temp

counter = collections.Counter(all_words)
print(counter.items())
count_pairs = sorted(counter.items(), key=lambda x: -x[1])
print(count_pairs)
print(*count_pairs)
words, _ = zip(*count_pairs)
# 倒序排序后取出了所有字
print(words)

# 取前多少个常用字,并且加上空格
print(len(words))
words = words[:len(words)] + (' ',)
print(words)
print(len(words))

# 每个字映射为一个数字ID
word_num_map = dict(zip(words, range(len(words))))
print(word_num_map)

# 把诗转换为向量形式
# 定义一个查索引的方法，如果是常用字就给index，如果不是就给默认值len(words)
to_num = lambda word: word_num_map.get(word, len(words))
poetrys_vector = [list(map(to_num, poetry)) for poetry in poetrys]
# [[314, 3199, 367, 1556, 26, 179, 680, 0, 3199, 41, 506, 40, 151, 4, 98, 1],
# [339, 3, 133, 31, 302, 653, 512, 0, 37, 148, 294, 25, 54, 833, 3, 1, 965, 1315, 377, 1700, 562, 21, 37, 0, 2, 1253, 21, 36, 264, 877, 809, 1]
# ....]

# 每次取256首诗进行训练
batch_size = 256
# 计算多少次可以把诗学完了
n_chunk = len(poetrys_vector) // batch_size
# 准备数据
x_batches = []
y_batches = []
for i in range(n_chunk):
    start_index = i * batch_size
    end_index = start_index + batch_size
    # 每次取256首诗
    batches = poetrys_vector[start_index:end_index]
    # 计算256首诗里面最长的长度
    length = max(map(len, batches))
    # 创建全部为空格的索引号的矩阵
    xdata = np.full((batch_size, length), word_num_map[' '], np.int32)
    # 把每首诗的向量盖覆填入
    for row in range(batch_size):
        xdata[row, :len(batches[row])] = batches[row]
    ydata = np.copy(xdata)
    ydata[:, :-1] = xdata[:, 1:]
    
    # xdata             ydata
    # [6,2,4,6,9]       [2,4,6,9,9]
    # [1,4,2,8,5]       [4,2,8,5,5]
    
    x_batches.append(xdata)
    y_batches.append(ydata)

# ---------------------------------------RNN--------------------------------------#

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


# 定义RNN
def neural_network(model='lstm', rnn_size=128, num_layers=2):
    if model == 'rnn':
        cell_fun = tf.nn.rnn_cell.BasicRNNCell
    elif model == 'gru':
        cell_fun = tf.nn.rnn_cell.GRUCell
    elif model == 'lstm':
        cell_fun = tf.nn.rnn_cell.BasicLSTMCell

    cell = cell_fun(rnn_size, state_is_tuple=True)
    # 单个节点里面神经网络有两层，堆叠的，相当于网络层更深
    cell = tf.nn.rnn_cell.MultiRNNCell([cell] * num_layers, state_is_tuple=True)

    initial_state = cell.zero_state(batch_size, tf.float32)

    with tf.variable_scope('rnnlm'):
        # 构建从Cell单元输出得结果到输出层Y得W和b矩阵
        softmax_w = tf.get_variable("softmax_w", [rnn_size, len(words)])
        softmax_b = tf.get_variable("softmax_b", [len(words)])
        # 是来构建X输入到Cell之间得变化，说白了就是把X变成X_in交给RNN Cell单元
        with tf.device("/cpu:0"):
            embedding = tf.get_variable("embedding", [len(words), rnn_size])
            # 相当于对每个词进行one-hot编码再生成稠密的向量
            inputs = tf.nn.embedding_lookup(embedding, input_data)

    # 下面一行是来构建RNN网络拓扑结构
    # 如果是True，outputs的维度是[steps, batch_size, depth]
    outputs, last_state = tf.nn.dynamic_rnn(cell, inputs, initial_state=initial_state, scope='rnnlm')
    # reshape之后的形状是（steps*batch_size, 128）
    output = tf.reshape(outputs, [-1, rnn_size])
    # 计算从Cell单元输出的结果到输出层Y的结果
    logits = tf.matmul(output, softmax_w) + softmax_b
    probs = tf.nn.softmax(logits)
    return logits, last_state, probs, cell, initial_state


# 训练
def train_neural_network():
    #y^和最后时刻的输出
    logits, last_state, _, _, _ = neural_network()
    #将输出转换为一维数组
    targets = tf.reshape(output_targets, [-1])
    #计算batch中每一句话的累计交叉熵损失  如果使用sequence_loss，则会自带平均功能
    loss = tf.contrib.legacy_seq2seq.sequence_loss_by_example([logits], [targets], [tf.ones_like(targets, dtype=tf.float32)])
    #对于累计损失进行平均
    cost = tf.reduce_mean(loss)
    #定义学习率
    learning_rate = tf.Variable(0.0, trainable=False)
    tvars = tf.trainable_variables()
    # Gradient Clipping的引入是为了处理gradient explosion或者gradients vanishing的问题。当在一次迭代中权重的更新过于迅猛的话，
    # 很容易导致loss divergence。Gradient Clipping的直观作用就是让权重的更新限制在一个合适的范围。
    # clip_norm是截取的比率, 这个函数返回截取过的梯度张量
    # minimize() = compute_gradients() + apply_gradients()
    # 这里相当于将计算梯度和更新梯度变成两部分来做
    grads, _ = tf.clip_by_global_norm(tf.gradients(cost, tvars), 5)
    optimizer = tf.train.AdamOptimizer(learning_rate)
    train_op = optimizer.apply_gradients(zip(grads, tvars))

    with tf.Session() as sess:
        sess.run(tf.global_variables_initializer())

        saver = tf.train.Saver(tf.global_variables())

        for epoch in range(50):
            #学习率的下降策略
            sess.run(tf.assign(learning_rate, 0.002 * (0.97 ** epoch)))
            n = 0
            for batch in range(n_chunk):
                train_loss, _ = sess.run([cost, train_op],
                                         feed_dict={input_data: x_batches[n], output_targets: y_batches[n]})
                n += 1
                print(epoch, batch, train_loss)
            if epoch % 7 == 0:
                #7个轮次保存一下模型
                saver.save(sess, './poetry.module', global_step=epoch)


train_neural_network()

2.测试代码

import collections
import numpy as np
import tensorflow as tf

# -------------------------------数据预处理---------------------------#

poetry_file = 'poetry.txt'
#以下为数据预处理部分
#1.对内容进行处理，提取内容、去掉特殊字符、没首诗前后添加[]起止符
#2.构建了包含所有单词的词表，并且使用词表将诗句转换成了数字向量形式
#3.提取出每个批次的x和y数据


# 加载诗集并对内容进行过滤
#去掉特殊字符、长度小于5、长度大于79的诗内容
#在每首诗内容前后分别添加[]
poetrys = []
with open(poetry_file, "r", encoding='utf-8', ) as f:
    for line in f:
        try:
            title, content = line.strip().split(':')
            content = content.replace(' ', '')
            if '_' in content or '(' in content or '（' in content or '《' in content or '[' in content:
                continue
            if len(content) < 5 or len(content) > 79:
                continue
            content = '[' + content + ']'
            poetrys.append(content)
        except Exception as e:
            pass

# 按诗的字数排序 从小到大排序
poetrys = sorted(poetrys, key=lambda line: len(line))
print('唐诗总数: ', len(poetrys))

# 统计每个字出现次数
all_words = []
for poetry in poetrys:
    all_words += [word for word in poetry]
#以每个单词为key，其出现的次数为value，生成字典
#Counter({'a': 6, 'b': 1, 'c': 1})
counter = collections.Counter(all_words)
#排序默认为降序
count_pairs = sorted(counter.items(), key=lambda x: -x[1])
#*表示元祖 **表示字典
#将单词和其出现的次数压缩
#产生的words就是需要的词表
words, _ = zip(*count_pairs)

# 在词表里面加了一个特殊的字符，空格
#给词表后面加空格
words = words[:len(words)] + (' ',)
print(words)

# 每个字映射为一个数字ID
#用词表的长度给每个单词进行编码 1-len
word_num_map = dict(zip(words, range(len(words))))
print(word_num_map)

# 把诗转换为向量形式
#使用to_num找到诗句中每个字对应的编码
#就可以将诗句用向量的形式表达
to_num = lambda word: word_num_map.get(word, len(words))
poetrys_vector = [list(map(to_num, poetry)) for poetry in poetrys]
# [[314, 3199, 367, 1556, 26, 179, 680, 0, 3199, 41, 506, 40, 151, 4, 98, 1],
# [339, 3, 133, 31, 302, 653, 512, 0, 37, 148, 294, 25, 54, 833, 3, 1, 965, 1315, 377, 1700, 562, 21, 37, 0, 2, 1253, 21, 36, 264, 877, 809, 1]
# ....]

batch_size = 1
#确定需要训练的批次数
n_chunk = len(poetrys_vector) // batch_size
x_batches = []
y_batches = []
#提取出每个批次的x和y数据
for i in range(n_chunk):
    start_index = i * batch_size
    end_index = start_index + batch_size
    #获取每个批次中的诗
    batches = poetrys_vector[start_index:end_index]
    #批次诗句最多字数
    length = max(map(len, batches))
    #创建(batchsize,length)形状的矩阵
    xdata = np.full((batch_size, length), word_num_map[' '], np.int32)
    #将每行诗中比max字数少的部分填充空格，生成x
    for row in range(batch_size):
        xdata[row, :len(batches[row])] = batches[row]
    ydata = np.copy(xdata)
    #y形状和x相同，数据为x去掉第一位+重复最后一位
    ydata[:, :-1] = xdata[:, 1:]

    # xdata             ydata
    # [6,2,4,6,9]       [2,4,6,9,9]
    # [1,4,2,8,5]       [4,2,8,5,5]
    
    x_batches.append(xdata)
    y_batches.append(ydata)
# ---------------------------------------RNN--------------------------------------#
#输入输出的形状为bs行，每行的最大词数列
#x
input_data = tf.placeholder(tf.int32, [batch_size, None])
#y
output_targets = tf.placeholder(tf.int32, [batch_size, None])


# 定义RNN
def neural_network(model='lstm', rnn_size=128, num_layers=2):
    if model == 'rnn':
        cell_fun = tf.nn.rnn_cell.BasicRNNCell
    elif model == 'gru':
        cell_fun = tf.nn.rnn_cell.GRUCell
    elif model == 'lstm':
        cell_fun = tf.nn.rnn_cell.BasicLSTMCell
    #创建lstm单元
    cell = cell_fun(rnn_size, state_is_tuple=True)
    #串联两个lstm
    cell = tf.nn.rnn_cell.MultiRNNCell([cell] * num_layers, state_is_tuple=True)
    #循环层初始时刻接受的上时刻状态值为0
    initial_state = cell.zero_state(batch_size, tf.float32)

    with tf.variable_scope('rnnlm'):
        #softmax_w softmax_b是最后多分类的参数和截距项
        softmax_w = tf.get_variable("softmax_w", [rnn_size, len(words)])
        softmax_b = tf.get_variable("softmax_b", [len(words)])
        with tf.device("/cpu:0"):
            #embedding执行两件事 1.对x进行onehot编码 2.全连接(因为编码后数据为0,1；所以只需要找到1对应的权重参数即可)
            embedding = tf.get_variable("embedding", [len(words), rnn_size])
            inputs = tf.nn.embedding_lookup(embedding, input_data)
    #根据上面定义的参数动态生成rnn结构
    #output表示rnn的输出 128个cell会有128个输出,last_state表示最后一个cell的输出
    outputs, last_state = tf.nn.dynamic_rnn(cell, inputs, initial_state=initial_state, scope='rnnlm')
    #将outputs转换为(batchsize,rnn_size),每一行可以代表一个批次的输出
    output = tf.reshape(outputs, [-1, rnn_size])
    #将循环层的值和输出层矩阵相乘，加上截距项，得到最终的输出结果
    logits = tf.matmul(output, softmax_w) + softmax_b
    #对每一个输出结果进行概率预测
    probs = tf.nn.softmax(logits)
    #最后输出 y^值，最后时刻的输出、y^概率、lstm cell、初始化参数
    return logits, last_state, probs, cell, initial_state


# -------------------------------生成古诗---------------------------------#
# 使用训练完成的模型

def gen_poetry():
    #将概率数组转换为累积概率数组
    #随机从中抽取，概率越大选中的可能性越高
    #大概率和前面加和之后，相对于前面的距离更远，所以被选中的可能性也就越高
    def to_word(weights):
        #cumsum 返回数组元素在每一个时刻累计的和
        #如[1,2,3,4] 返回[ 1  3  6 10]
        t = np.cumsum(weights)
        #np.searchsorted 返回元素插入数组的位置，能保持数组仍为升序
        sample = int(np.searchsorted(t, np.random.rand(1)))
        return words[sample]
    #使用lstmrnn网络
    _, last_state, probs, cell, initial_state = neural_network()

    with tf.Session() as sess:
        sess.run(tf.global_variables_initializer())
        #创建模型保存器 要保存的数据为：tf.global_variables()
        saver = tf.train.Saver(tf.global_variables())
        #加载模型
        saver.restore(sess, './poetry.module-49')
        state_ = sess.run(cell.zero_state(batch_size, tf.float32))
        #生成的首字母
        first_letter = '高'
        #第一个输入的字对应的词向量
        x = np.array([list(map(word_num_map.get, first_letter))])
        print(x.shape)
        print(x)
        #使用x填充，并出示状态为0，得到rnn的输出
        [probs_, state_] = sess.run([probs, last_state],
                                    feed_dict={input_data: x, initial_state: state_})
        print(probs_)
        word = to_word(probs_)
        # word = words[np.argmax(probs_)]
        poem = first_letter + ''
        while word != '[' and word != ']':
            poem += word
            x = np.zeros((1, 1))
            x[0, 0] = word_num_map[word]
            [probs_, state_] = sess.run([probs, last_state],
                                        feed_dict={input_data: x, initial_state: state_})
            #按照概率随机选词
            word = to_word(probs_)
            # word = words[np.argmax(probs_)]
        return poem


print(gen_poetry())