前言
本文的主要内容是基于LSTM的诗词生成，文中包括数据集的介绍、实验代码以及运行结果等，该实验采用的是长短期记忆 (LSTM) 深度学习模型，训练10个epoch，然后在测试的过程中，每个epoch出一次诗词的生成结果，随着周期的进行，诗词的生成情况也越来越好，本文中诗词的生成包括随机诗词的生成和藏头诗的生成。
一、数据集介绍
本实验采用的数据集保存在文件 poems.txt 中，该文件中每行一首诗，题目和诗之间用“：”隔开，每首诗的长度也是各不相同的。
下图是在文件末的截图，看行数可以知道该文件包含了43030首诗，数据集还是挺大的。
在本实验中，该数据集中的所有诗不会都被使用到，在代码中会对内容太长的诗进行剔除。
二、实验代码
1、随机诗词生成
生成随机诗词的代码如下。
# 声明：本代码并非自己编写，代码来源在文末已给出链接
import math
import re
import numpy as np
import tensorflow as tf
from collections import Counter
DATA_PATH = 'poems.txt' # 数据集路径
MAX_LEN = 64 # 设定单行诗的最大长度
DISALLOWED_WORDS = ['（', '）', '(', ')', '__', '《', '》', '【', '】', '[', ']'] # 禁用的字符，拥有以下符号的诗将被忽略
BATCH_SIZE = 128
poetry = [] # 一首诗对应一个列表的元素
with open(DATA_PATH, 'r', encoding='utf-8') as f: # 按行读取文件数据，一行就是一首诗
lines = f.readlines()
for line in lines:
fields = re.split(r"[:：]", line) # 利用正则表达式拆分标题和内容
if len(fields) != 2: # 每行拆分后如果不是两项，就跳过该异常数据
continue
content = fields[1] # 提取诗词内容
if len(content) > MAX_LEN - 2: # 剔除内容过长的诗词
continue
if any(word in content for word in DISALLOWED_WORDS): # 剔除存在禁用符的诗词
continue
poetry.append(content.replace('\n', '')) # 将诗词添加到列表里，每行一首
MIN_WORD_FREQUENCY = 8 # 最小词频
counter = Counter() # 统计词频
for line in poetry:
counter.update(line)
tokens = [token for token, count in counter.items() if count >= MIN_WORD_FREQUENCY] # 过滤掉低词频的词
tokens = ["[PAD]", "[NONE]", "[START]", "[END]"] + tokens # 补上特殊词标记：填充字符标记、未知词标记、开始标记、结束标记
word_idx = {
} # 从词到编号的映射
idx_word = {
} # 从编号到词的映射
for idx, word in enumerate(tokens):
word_idx[word] = idx
idx_word[idx] = word
class Tokenizer:
"""分词器"""
def __init__(self, tokens):
self.dict_size = len(tokens) # 词汇表大小
# 生成映射关系
self.token_id = {
} # 从词到编号的映射
self.id_token = {
} # 从编号到词的映射
for idx, word in enumerate(tokens):
self.token_id[word] = idx
self.id_token[idx] = word
# 各个特殊标记的编号id，方便其他地方使用
self.start_id = self.token_id["[START]"]
self.end_id = self.token_id["[END]"]
self.none_id = self.token_id["[NONE]"]
self.pad_id = self.token_id["[PAD]"]
def id_to_token(self, token_id):
"""编号到词的映射"""
return self.id_token.get(token_id)
def token_to_id(self, token):
"""词到编号的映射"""
return self.token_id.get(token, self.none_id) # 编号里没有返回 [NONE]
def encode(self, tokens):
"""词列表：[START]编号 + 编号列表 + [END]编号"""
token_ids = [self.start_id, ] # 起始标记
for token in tokens:
token_ids.append(self.token_to_id(token)) # 词转编号
token_ids.append(self.end_id) # 结束标记
return token_ids
def decode(self, token_ids):
"""编号列表转词列表，去掉起始、结束标记"""
flag_tokens = {
"[START]", "[END]"}
tokens = []
for idx in token_ids:
token = self.id_to_token(idx)
if token not in flag_tokens:
tokens.append(token) # 跳过起始、结束标记
return tokens
tokenizer = Tokenizer(tokens)
# 构建数据集
class PoetryDataSet:
"""古诗数据集生成器"""
def __init__(self, data, tokenizer, batch_size):
self.data = data
self.total_size = len(self.data)
self.tokenizer = tokenizer # 分词器，用于词转编号
self.batch_size = batch_size # 每批数据量
self.steps = int(math.floor(len(self.data) / self.batch_size)) # 每个epoch迭代的步数
def pad_line(self, line, length, padding=None):
"""对齐单行数据"""
if padding is None:
padding = self.tokenizer.pad_id
padding_length = length - len(line)
if padding_length > 0:
return line + [padding] * padding_length
else:
return line[:length]
def __len__(self):
return self.steps
def __iter__(self):
np.random.shuffle(self.data) # 把数据打乱
# 迭代一个epoch，每次一个batch
for start in range(0, self.total_size, self.batch_size):
end = min(start + self.batch_size, self.total_size)
data = self.data[start:end]
max_length = max(map(len, data)) # map根据提供的函数对指定序列做映射
batch_data = []
for str_line in data:
encode_line = self.tokenizer.encode(str_line) # 对每一行诗词进行编码、并补齐padding
pad_encode_line = self.pad_line(encode_line, max_length + 2) # 加2是因为tokenizer.encode会添加START和END
batch_data.append(pad_encode_line)
batch_data = np.array(batch_data)
yield batch_data[:, :-1], batch_data[:, 1:] # yield 特征、标签
def generator(self):
while True:
yield from self.__iter__()
dataset = PoetryDataSet(poetry, tokenizer, BATCH_SIZE) # 初始化 PoetryDataSet
# 构建模型
model = tf.keras.Sequential([
# 词嵌入层
tf.keras.layers.Embedding(input_dim=tokenizer.dict_size, output_dim=150),
tf.keras.layers.LSTM(150, dropout=0.5, return_sequences=True), # 第一个LSTM层
tf.keras.layers.LSTM(150, dropout=0.5, return_sequences=True), # 第二个LSTM层
# 利用TimeDistributed对每个时间步的输出都做Dense操作，即softmax激活
tf.keras.layers.TimeDistributed(tf.keras.layers.Dense(tokenizer.dict_size, activation='softmax')),
])
model.summary()
model.compile(
optimizer=tf.keras.optimizers.Adam(), # 优化器使用Adam
loss=tf.keras.losses.sparse_categorical_crossentropy # 稀疏分类交叉熵
)
model.fit_generator(dataset.generator(), steps_per_epoch=dataset.steps, epochs=10)
# 预测
token_ids = [tokenizer.token_to_id(word) for word in ["月", "光", "静", "谧"]] # 将词转为编号
result = model.predict([token_ids, ]) # 进行预测
print(result)
print(result.shape)
def predict(model, token_ids):
"""在概率值为前100的词中选取一个词(按概率分布的方式)，返回一个词的编号，但不包含[PAD][NONE][START]"""
# 预测各个词的概率分布
# 0 表示对输入的第0个样本做预测
# -1 表示只要对最新的词的预测
# 3: 表示不要前面几个标记符
_probas = model.predict([token_ids, ])[0, -1, 3:]
# 按概率降序，取前100
p_args = _probas.argsort()[-100:][::-1] # 此时拿到的是索引
p = _probas[p_args] # 根据索引找到具体的概率值
p = p / sum(p) # 归一化操作
target_index = np.random.choice(len(p), p=p) # 按概率抽取一个
# 前面预测时删除了前几个标记符，因此编号要补上3位才是实际在tokenizer词典中的编号
return p_args[target_index] + 3
token_ids = tokenizer.encode("清风明月")[:-1]
while len(token_ids) < 13:
target = predict(model, token_ids) # 预测词的编号
token_ids.append(target) # 保存结果
if target == tokenizer.end_id:
break
print("".join(tokenizer.decode(token_ids)))
def generate_random_poem(tokenizer, model, text=""):
"""随机生成一首诗
tokenizer: 分词器
model: 古诗模型
text: 古诗的起始字符串，默认为空
返回值是一首古诗的字符串
"""
token_ids = tokenizer.encode(text)[:-1] # 将初始字符串转成token_ids，并去掉结束标记[END]
while len(token_ids) < MAX_LEN:
target = predict(model, token_ids) # 预测词的编号
token_ids.append(target) # 追加结果
if target == tokenizer.end_id:
break
return "".join(tokenizer.decode(token_ids))
# 保存模型及加载
class ShowSaveCallback(tf.keras.callbacks.Callback):
def __init__(self):
super().__init__()
self.loss = float("inf")
def on_epoch_end(self, epoch, logs=None):
if logs['loss'] <= self.loss: # 保留损失最低的模型
self.loss = logs['loss']
model.save("./rnn_model.h5")
print() # 打印本次训练的效果
for i in range(5):
print(generate_random_poem(tokenizer, model)) # 生成五首随机诗词
# 开始训练
model.fit(
dataset.generator(),
steps_per_epoch=dataset.steps,
epochs=10,
callbacks=[ShowSaveCallback()]
)
model = tf.keras.models.load_model("./rnn_model.h5") # 保存训练数据
2、藏头诗生成
生成藏头诗的代码如下。
# 声明：本代码并非自己编写，代码来源在文末已给出链接
import math
import re
import numpy as np
import tensorflow as tf
from collections import Counter
DATA_PATH = 'poems.txt' # 数据集路径
MAX_LEN = 64 # 设定单行诗的最大长度
DISALLOWED_WORDS = ['（', '）', '(', ')', '__', '《', '》', '【', '】', '[', ']'] # 禁用的字符，拥有以下符号的诗将被忽略
BATCH_SIZE = 128
poetry = [] # 一首诗对应一个列表的元素
with open(DATA_PATH, 'r', encoding='utf-8') as f: # 按行读取文件数据，一行就是一首诗
lines = f.readlines()
for line in lines:
fields = re.split(r"[:：]", line) # 利用正则表达式拆分标题和内容
if len(fields) != 2: # 每行拆分后如果不是两项，就跳过该异常数据
continue
content = fields[1] # 提取诗词内容
if len(content) > MAX_LEN - 2: # 剔除内容过长的诗词
continue
if any(word in content for word in DISALLOWED_WORDS): # 剔除存在禁用符的诗词
continue
poetry.append(content.replace('\n', '')) # 将诗词添加到列表里，每行一首
MIN_WORD_FREQUENCY = 8 # 最小词频
counter = Counter() # 统计词频
for line in poetry:
counter.update(line)
tokens = [token for token, count in counter.items() if count >= MIN_WORD_FREQUENCY] # 过滤掉低词频的词
tokens = ["[PAD]", "[NONE]", "[START]", "[END]"] + tokens # 补上特殊词标记：填充字符标记、未知词标记、开始标记、结束标记
word_idx = {
} # 从词到编号的映射
idx_word = {
} # 从编号到词的映射
for idx, word in enumerate(tokens):
word_idx[word] = idx
idx_word[idx] = word
class Tokenizer:
"""分词器"""
def __init__(self, tokens):
self.dict_size = len(tokens) # 词汇表大小
# 生成映射关系
self.token_id = {
} # 从词到编号的映射
self.id_token = {
} # 从编号到词的映射
for idx, word in enumerate(tokens):
self.token_id[word] = idx
self.id_token[idx] = word
# 各个特殊标记的编号id，方便其他地方使用
self.start_id = self.token_id["[START]"]
self.end_id = self.token_id["[END]"]
self.none_id = self.token_id["[NONE]"]
self.pad_id = self.token_id["[PAD]"]
def id_to_token(self, token_id):
"""编号到词的映射"""
return self.id_token.get(token_id)
def token_to_id(self, token):
"""词到编号的映射"""
return self.token_id.get(token, self.none_id) # 编号里没有返回 [NONE]
def encode(self, tokens):
"""词列表：[START]编号 + 编号列表 + [END]编号"""
token_ids = [self.start_id, ] # 起始标记
for token in tokens:
token_ids.append(self.token_to_id(token)) # 词转编号
token_ids.append(self.end_id) # 结束标记
return token_ids
def decode(self, token_ids):
"""编号列表转词列表，去掉起始、结束标记"""
flag_tokens = {
"[START]", "[END]"}
tokens = []
for idx in token_ids:
token = self.id_to_token(idx)
if token not in flag_tokens:
tokens.append(token) # 跳过起始、结束标记
return tokens
tokenizer = Tokenizer(tokens)
# 构建数据集
class PoetryDataSet:
"""古诗数据集生成器"""
def __init__(self, data, tokenizer, batch_size):
self.data = data
self.total_size = len(self.data)
self.tokenizer = tokenizer # 分词器，用于词转编号
self.batch_size = batch_size # 每批数据量
self.steps = int(math.floor(len(self.data) / self.batch_size)) # 每个epoch迭代的步数
def pad_line(self, line, length, padding=None):
"""对齐单行数据"""
if padding is None:
padding = self.tokenizer.pad_id
padding_length = length - len(line)
if padding_length > 0:
return line + [padding] * padding_length
else:
return line[:length]
def __len__(self):
return self.steps
def __iter__(self):
np.random.shuffle(self.data) # 把数据打乱
# 迭代一个epoch，每次一个batch
for start in range(0, self.total_size, self.batch_size):
end = min(start + self.batch_size, self.total_size)
data = self.data[start:end]
max_length = max(map(len, data)) # map根据提供的函数对指定序列做映射
batch_data = []
for str_line in data:
encode_line = self.tokenizer.encode(str_line) # 对每一行诗词进行编码、并补齐padding
pad_encode_line = self.pad_line(encode_line, max_length + 2) # 加2是因为tokenizer.encode会添加START和END
batch_data.append(pad_encode_line)
batch_data = np.array(batch_data)
yield batch_data[:, :-1], batch_data[:, 1:] # yield 特征、标签
def generator(self):
while True:
yield from self.__iter__()
dataset = PoetryDataSet(poetry, tokenizer, BATCH_SIZE) # 初始化 PoetryDataSet
# 构建模型
model = tf.keras.Sequential([
# 词嵌入层
tf.keras.layers.Embedding(input_dim=tokenizer.dict_size, output_dim=150),
tf.keras.layers.LSTM(150, dropout=0.5, return_sequences=True), # 第一个LSTM层
tf.keras.layers.LSTM(150, dropout=0.5, return_sequences=True), # 第二个LSTM层
# 利用TimeDistributed对每个时间步的输出都做Dense操作，即softmax激活
tf.keras.layers.TimeDistributed(tf.keras.layers.Dense(tokenizer.dict_size, activation='softmax')),
])
model.summary()
model.compile(
optimizer=tf.keras.optimizers.Adam(), # 优化器使用Adam
loss=tf.keras.losses.sparse_categorical_crossentropy # 稀疏分类交叉熵
)
model.fit_generator(dataset.generator(), steps_per_epoch=dataset.steps, epochs=10)
# 预测
token_ids = [tokenizer.token_to_id(word) for word in ["月", "光", "静", "谧"]] # 将词转为编号
result = model.predict([token_ids, ]) # 进行预测
print(result)
print(result.shape)
def predict(model, token_ids):
"""在概率值为前100的词中选取一个词(按概率分布的方式)，返回一个词的编号，但不包含[PAD][NONE][START]"""
# 预测各个词的概率分布
# 0 表示对输入的第0个样本做预测
# -1 表示只要对最新的词的预测
# 3: 表示不要前面几个标记符
_probas = model.predict([token_ids, ])[0, -1, 3:]
# 按概率降序，取前100
p_args = _probas.argsort()[-100:][::-1] # 此时拿到的是索引
p = _probas[p_args] # 根据索引找到具体的概率值
p = p / sum(p) # 归一化操作
target_index = np.random.choice(len(p), p=p) # 按概率抽取一个
# 前面预测时删除了前几个标记符，因此编号要补上3位才是实际在tokenizer词典中的编号
return p_args[target_index] + 3
token_ids = tokenizer.encode("清风明月")[:-1]
while len(token_ids) < 13:
target = predict(model, token_ids) # 预测词的编号
token_ids.append(target) # 保存结果
if target == tokenizer.end_id:
break
print("".join(tokenizer.decode(token_ids)))
def generate_acrostic_poem(tokenizer, model, heads):
"""
生成一首藏头诗
tokenizer: 分词器
model: 古诗模型
heads: 藏头诗的头
返回值是一首古诗的字符串
"""
token_ids = [tokenizer.start_id, ] # token_ids，只包含[START]编号
punctuation_ids = {
tokenizer.token_to_id("，"), tokenizer.token_to_id("。")} # 逗号和句号标记编号
content = []
for head in heads:
content.append(head)
token_ids.append(tokenizer.token_to_id(head)) # head转为编号id，放入列表，用于预测
target = -1
while target not in punctuation_ids: # 遇到逗号、句号，说明本句结束，开始下一句
target = predict(model, token_ids) # 预测词的编号
# 因为可能预测到END，所以加个判断
if target > 3:
token_ids.append(target) # 保存结果到token_ids中，下一次预测还要用
content.append(tokenizer.id_to_token(target))
return "".join(content)
# 保存模型及加载
class ShowSaveCallback(tf.keras.callbacks.Callback):
def __init__(self):
super().__init__()
self.loss = float("inf")
def on_epoch_end(self, epoch, logs=None):
if logs['loss'] <= self.loss: # 保留损失最低的模型
self.loss = logs['loss']
model.save("./rnn_model.h5")
print() # 打印本次训练的效果
print(generate_acrostic_poem(tokenizer, model, '机器学习')) # 以“机器学习”作藏头诗
print(generate_acrostic_poem(tokenizer, model, '神经网络')) # 以“神经网络”作藏头诗
# 开始训练
model.fit(
dataset.generator(),
steps_per_epoch=dataset.steps,
epochs=10,
callbacks=[ShowSaveCallback()]
)
model = tf.keras.models.load_model("./rnn_model.h5") # 保存训练数据
三、实验结果
运行代码后的结果截图依次如下。
参数训练的情况如下图所示。
1.随机诗词生成结果
第一个epoch生成的随机诗词如下图所示。
第二个epoch生成的随机诗词如下图所示。
第三个epoch生成的随机诗词如下图所示。
第四个epoch生成的随机诗词如下图所示。
第五个epoch生成的随机诗词如下图所示。
第六个epoch生成的随机诗词如下图所示。
第七个epoch生成的随机诗词如下图所示。
第八个epoch生成的随机诗词如下图所示。
第九个epoch生成的随机诗词如下图所示。
第十个epoch生成的随机诗词如下图所示。
由以上随机诗词的生成结果可以看到，生成的随机诗词有五言诗和七言诗，诗句有四句的、六句的，也有八句的，这些是和诗词特征比较吻合的。不好的方面是其中有几首诗的生成是不太好的，而且诗的平仄对应和意境的描绘都不太成熟。
2.藏头诗生成结果
分别以“机器学习”和“神经网络”开头作诗。
第一个epoch生成的藏头诗如下图所示。
第二个epoch生成的藏头诗如下图所示。
第三个epoch生成的藏头诗如下图所示。
第四个epoch生成的藏头诗如下图所示。
第五个epoch生成的藏头诗如下图所示。
第六个epoch生成的藏头诗如下图所示。
第七个epoch生成的藏头诗如下图所示。
第八个epoch生成的藏头诗如下图所示。
第九个epoch生成的藏头诗如下图所示。
第十个epoch生成的藏头诗如下图所示。
由以上藏头诗的生成结果可以看到，生成的藏头诗有五言诗和七言诗，诗句只有四句的，因为藏头的字只有四个，这些和藏头诗的特征是吻合的。
总结
以上就是基于LSTM诗词生成的所有内容了，本实验的环境配置与上一个实验 基于IMDB评论数据集的情感分析 相同，具体的情况可以参考该博文，本实验中，在诗词特征方面，生成的随机诗词和藏头诗都还不错，但是在平仄对应关系以及诗词意境的营造方面，两者都是不太成熟的。
参考博文：
RNN生成古诗词
使用TensorFlow 2.0 + RNN 实现一个古体诗生成器