基于 LSTM 轻松生成各种古诗
整个过程分为以下步骤完成：
- 语料准备
- 语料预处理
- 模型参数配置
- 构建模型
- 训练模型
- 模型作诗
- 绘制模型网络结构图
下面一步步来构建和训练一个会写诗的模型。
第一，语料准备。一共四万多首古诗，每行一首诗，标题在预处理的时候已经去掉了。
第二，文件预处理。首先，机器并不懂每个中文汉字代表的是什么，所以要将文字转换为机器能理解的形式，这里我们采用 One-Hot 的形式，这样诗句中的每个字都能用向量来表示，下面定义函数 preprocess_file() 来处理。
1 puncs = [']', '[', '（', '）', '{', '}', '：', '《', '》'] 2 3 4 def preprocess_file(Config): 5 # 语料文本内容 6 files_content = '' 7 with open(Config.poetry_file, 'r', encoding='utf-8') as f: 8 for line in f: 9 # 每行的末尾加上"]"符号代表一首诗结束 10 for char in puncs: 11 line = line.replace(char, "") 12 files_content += line.strip() + "]" 13 14 words = sorted(list(files_content)) 15 words.remove(']') 16 counted_words = {} 17 for word in words: 18 if word in counted_words: 19 counted_words[word] += 1 20 else: 21 counted_words[word] = 1 22 23 # 去掉低频的字 24 erase = [] 25 for key in counted_words: 26 if counted_words[key] <= 2: 27 erase.append(key) 28 for key in erase: 29 del counted_words[key] 30 del counted_words[']'] 31 wordPairs = sorted(counted_words.items(), key=lambda x: -x[1]) 32 33 words, _ = zip(*wordPairs) 34 # word到id的映射 35 word2num = dict((c, i + 1) for i, c in enumerate(words)) 36 num2word = dict((i, c) for i, c in enumerate(words)) 37 word2numF = lambda x: word2num.get(x, 0) 38 return word2numF, num2word, words, files_content
在每行末尾加上 ] 符号是为了标识这首诗已经结束了。我们给模型学习的方法是，给定前六个字，生成第七个字，所以在后面生成训练数据的时候，会以6的跨度，1的步长截取文字，生成语料。如果出现了 ] 符号，说明 ] 符号之前的语句和之后的语句是两首诗里面的内容，两首诗之间是没有关联关系的，所以我们后面会舍弃掉包含 ] 符号的训练数据。
第三，模型参数配置。预先定义模型参数和加载语料以及模型保存名称，通过类 Config 实现。
1 class Config(object): 2 poetry_file = 'poetry.txt' 3 weight_file = 'poetry_model.h5' 4 # 根据前六个字预测第七个字 5 max_len = 6 6 batch_size = 512 7 learning_rate = 0.001
第四，构建模型，通过 PoetryModel 类实现，类的代码结构如下：
1 class PoetryModel(object): 2 def __init__(self, config): 3 pass 4 5 def build_model(self): 6 pass 7 8 def sample(self, preds, temperature=1.0): 9 pass 10 11 def generate_sample_result(self, epoch, logs): 12 pass 13 14 def predict(self, text): 15 pass 16 17 def data_generator(self): 18 pass 19 def train(self): 20 pass
类中定义的方法具体实现功能如下：
（1）init 函数定义，通过加载 Config 配置信息，进行语料预处理和模型加载，如果模型文件存在则直接加载模型，否则开始训练。
1 def __init__(self, config): 2 self.model = None 3 self.do_train = True 4 self.loaded_model = False 5 self.config = config 6 7 # 文件预处理 8 self.word2numF, self.num2word, self.words, self.files_content = preprocess_file(self.config) 9 if os.path.exists(self.config.weight_file): 10 self.model = load_model(self.config.weight_file) 11 self.model.summary() 12 else: 13 self.train() 14 self.do_train = False 15 self.loaded_model = True
（2）build_model 函数主要用 Keras 来构建网络模型，这里使用 LSTM 的 GRU 来实现，当然直接使用 LSTM 也没问题。
1 def build_model(self): 2 '''建立模型''' 3 input_tensor = Input(shape=(self.config.max_len,)) 4 embedd = Embedding(len(self.num2word) + 1, 300, input_length=self.config.max_len)(input_tensor) 5 lstm = Bidirectional(GRU(128, return_sequences=True))(embedd) 6 dropout = Dropout(0.6)(lstm) 7 lstm = Bidirectional(GRU(128, return_sequences=True))(embedd) 8 dropout = Dropout(0.6)(lstm) 9 flatten = Flatten()(lstm) 10 dense = Dense(len(self.words), activation='softmax')(flatten) 11 self.model = Model(inputs=input_tensor, outputs=dense) 12 optimizer = Adam(lr=self.config.learning_rate) 13 self.model.compile(loss='categorical_crossentropy', optimizer=optimizer, metrics=['accuracy'])
（3）sample 函数，在训练过程的每个 epoch 迭代中采样。
1 def sample(self, preds, temperature=1.0): 2 ''' 3 当temperature=1.0时，模型输出正常 4 当temperature=0.5时，模型输出比较open 5 当temperature=1.5时，模型输出比较保守 6 在训练的过程中可以看到temperature不同，结果也不同 7 ''' 8 preds = np.asarray(preds).astype('float64') 9 preds = np.log(preds) / temperature 10 exp_preds = np.exp(preds) 11 preds = exp_preds / np.sum(exp_preds) 12 probas = np.random.multinomial(1, preds, 1) 13 return np.argmax(probas)
（4）训练过程中，每个 epoch 打印出当前的学习情况。
1 def generate_sample_result(self, epoch, logs): 2 print("\n==================Epoch {}=====================".format(epoch)) 3 for diversity in [0.5, 1.0, 1.5]: 4 print("------------Diversity {}--------------".format(diversity)) 5 start_index = random.randint(0, len(self.files_content) - self.config.max_len - 1) 6 generated = '' 7 sentence = self.files_content[start_index: start_index + self.config.max_len] 8 generated += sentence 9 for i in range(20): 10 x_pred = np.zeros((1, self.config.max_len)) 11 for t, char in enumerate(sentence[-6:]): 12 x_pred[0, t] = self.word2numF(char) 13 14 preds = self.model.predict(x_pred, verbose=0)[0] 15 next_index = self.sample(preds, diversity) 16 next_char = self.num2word[next_index] 17 generated += next_char 18 sentence = sentence + next_char 19 print(sentence)
（5）predict 函数，用于根据给定的提示，来进行预测。
根据给出的文字，生成诗句，如果给的 text 不到四个字，则随机补全。
1 def predict(self, text): 2 if not self.loaded_model: 3 return 4 with open(self.config.poetry_file, 'r', encoding='utf-8') as f: 5 file_list = f.readlines() 6 random_line = random.choice(file_list) 7 # 如果给的text不到四个字，则随机补全 8 if not text or len(text) != 4: 9 for _ in range(4 - len(text)): 10 random_str_index = random.randrange(0, len(self.words)) 11 text += self.num2word.get(random_str_index) if self.num2word.get(random_str_index) not in [',', '。', 12 '，'] else self.num2word.get( 13 random_str_index + 1) 14 seed = random_line[-(self.config.max_len):-1] 15 res = '' 16 seed = 'c' + seed 17 for c in text: 18 seed = seed[1:] + c 19 for j in range(5): 20 x_pred = np.zeros((1, self.config.max_len)) 21 for t, char in enumerate(seed): 22 x_pred[0, t] = self.word2numF(char) 23 preds = self.model.predict(x_pred, verbose=0)[0] 24 next_index = self.sample(preds, 1.0) 25 next_char = self.num2word[next_index] 26 seed = seed[1:] + next_char 27 res += seed 28 return res
（6） data_generator 函数，用于生成数据，提供给模型训练时使用。
1 def data_generator(self): 2 i = 0 3 while 1: 4 x = self.files_content[i: i + self.config.max_len] 5 y = self.files_content[i + self.config.max_len] 6 puncs = [']', '[', '（', '）', '{', '}', '：', '《', '》', ':'] 7 if len([i for i in puncs if i in x]) != 0: 8 i += 1 9 continue 10 if len([i for i in puncs if i in y]) != 0: 11 i += 1 12 continue 13 y_vec = np.zeros( 14 shape=(1, len(self.words)), 15 dtype=np.bool 16 ) 17 y_vec[0, self.word2numF(y)] = 1.0 18 x_vec = np.zeros( 19 shape=(1, self.config.max_len), 20 dtype=np.int32 21 ) 22 for t, char in enumerate(x): 23 x_vec[0, t] = self.word2numF(char) 24 yield x_vec, y_vec 25 i += 1
（7）train 函数，用来进行模型训练，其中迭代次数 number_of_epoch ，是根据训练语料长度除以 batch_size 计算的，如果在调试中，想用更小一点的number_of_epoch ，可以自定义大小，把 train 函数的第一行代码注释即可。
1 def train(self): 2 #number_of_epoch = len(self.files_content) // self.config.batch_size 3 number_of_epoch = 10 4 if not self.model: 5 self.build_model() 6 self.model.summary() 7 self.model.fit_generator( 8 generator=self.data_generator(), 9 verbose=True, 10 steps_per_epoch=self.config.batch_size, 11 epochs=number_of_epoch, 12 callbacks=[ 13 keras.callbacks.ModelCheckpoint(self.config.weight_file, save_weights_only=False), 14 LambdaCallback(on_epoch_end=self.generate_sample_result) 15 ] 16 )
第五，整个模型构建好以后，接下来进行模型训练。
model = PoetryModel(Config)
训练过程中的第1-2轮迭代：
训练过程中的第9-10轮迭代：
虽然训练过程写出的诗句不怎么能看得懂，但是可以看到模型从一开始标点符号都不会用 ，到最后写出了有一点点模样的诗句，能看到模型变得越来越聪明了。
第六，模型作诗，模型迭代10次之后的测试，首先输入几个字，模型根据输入的提示，做出诗句。
text = input("text:") sentence = model.predict(text) print(sentence)
比如输入：小雨，模型做出的诗句为：
输入：text：小雨
结果：小妃侯里守。雨封即客寥。俘剪舟过槽。傲老槟冬绛。
第七，绘制网络结构图。
模型结构绘图，采用 Keras自带的功能实现：
plot_model(model.model, to_file='model.png')
得到的模型结构图如下：
本节使用 LSTM 的变形 GRU 训练出一个能作诗的模型，当然大家可以替换训练语料为歌词或者小说，让机器人自动创作不同风格的歌曲或者小说。
参考文献以及推荐阅读：
