基于循环神经网络(RNN)的古诗生成器

.01.02更新：

代码比较老了，当时的开发环境为Python 2.7 + TensorFlow 1.4，现在可能无法直接运行了。如果有兴趣，可以移步我用Python 3.7 + TensorFlow 2.0 重写的新项目：

有趣的深度学习——使用TensorFlow 2.0 + RNN 实现一个古体诗生成器

转载请注明出处：/aaronjny/article/details/79677457

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“天空”为例)

示例：

天序曾柏乌倾鱼，空老桐歌尘翁红。

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@import sysreload(sys)sys.setdefaultencoding('utf8')import collectionsORIGIN_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@import tensorflow as tfimport functoolsimport settingHIDDEN_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@doublewrapdef 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 decoratorclass 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_stepself.cellself.predictself.lossself.optimize@define_scopedef 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_scopedef 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)# dropoutemb_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logitslogits = tf.matmul(outputs, softmax_weights) + softmax_baisreturn logits@define_scopedef 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_scopedef global_step(self):"""global_step:return:"""global_step = tf.Variable(0, trainable=False)return global_step@define_scopedef 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_opclass 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.cellself.predictself.prob@define_scopedef 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_scopedef 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=1self.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_statereturn logits@define_scopedef 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@import numpy as npBATCH_SIZE = 64DATA_PATH = 'processed_data/poetry.txt'class Dataset(object):def __init__(self, batch_size):self.batch_size = batch_sizeself.data, self.target = self.read_data()self.start = 0self.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batchnum_batchs = len(id_list) // self.batch_size# data和targetx_data = []y_data = []# 生成batchfor i in range(num_batchs):# 截取一个batch的数据start = i * self.batch_sizeend = start + self.batch_sizebatch = 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_datadef next_batch(self):"""获取下一个batch:return:"""start = self.startself.start += 1if self.start >= self.lenth:self.start = 0return 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@import tensorflow as tffrom rnn_models import TrainModelimport datasetimport settingTRAIN_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batchx, y = data.next_batch()# 计算lossloss, _ = 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@import sysreload(sys)sys.setdefaultencoding('utf8')import tensorflow as tfimport numpy as npfrom rnn_models import EvalModelimport utilsimport 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 += wordx = 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 poemdef 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 = xwhile word != '，' and word != '。':poem += wordx = 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 poemreturn poemif __name__ == '__main__':# generate_acrostic(u'天空')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@import settingdef 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_listdef 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 word2iddef 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 id2wordif __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@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：/AaronJny/poetry_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！