tensorflow的sklearn接口（TensorFlow2学习RNN生成古诗词）

来源 | CSDN博客

作者 | 蒋含竹

责编 | 徐威龙

利用循环神经网络RNN可以做各种连续性数据的预测，其中生成古诗词是一件非常有趣的事，特此分享我的学习经验。

先来几首藏头诗吧 ^_^

宁静致远

宁随古峰一里乡，静在门林满树通。致有旧人身自住，远花不似水花中。

风起云涌

风山一夕月，起落鸟纷纷。云散生何处，涌深千尺村。

春夏秋冬

春来空树柳微时，夏火遥愁独寂寥。秋上北陵村未苦，冬来寒向入楼僧。

另外，我的实现参考了这篇博客，非常感谢这位博主的无私奉献！

https://blog.csdn.net/aaronjny/article/details/103806954

导包

import math

import re

import numpy as np

import tensorflow as tf

from collections import Counter

数据预处理

2.1 原始数据

• 原始数据（百度网盘: poetry.txt 提取码: b2pp）

内容示例如下

过老子庙:仙居怀圣德，灵庙肃神心。草合人踪断，尘浓鸟迹深。流沙丹灶没，关路紫烟沉。独伤千载后，空馀松柏林。

途次陕州:境出三秦外，途分二陕中。山川入虞虢，风俗限西东。树古棠阴在，耕余让畔空。鸣笳从此去，行见洛阳宫。

野次喜雪:拂曙辟行宫，寒皋野望通。每云低远岫，飞雪舞长空。赋象恒依物，萦回屡逐风。为知勤恤意，先此示年丰。

送贺知章归四明:遗荣期入道，辞老竟抽簪。岂不惜贤达，其如高尚心。寰中得秘要，方外散幽襟。独有青门饯，群僚怅别深。

轩游宫十五夜:行迈离秦国，巡方赴洛师。路逢三五夜，春色暗中期。关外长河转，宫中淑气迟。歌钟对明月，不减旧游时。

我们的原始数据poetry.txt中，每一行是一首诗，按":"符号分隔为诗的标题、内容，其中还有逗号、句号。

2.2 数据预处理

首先，因为我们想训练的是写诗的内容，因此等下训练的时候只需要诗的内容即可。

另外，我们的数据中可能存在部分符号的问题，例如中英文符号混用、每行存在多个冒号、数据中存在其他符号等问题，因此我们需要对数据进行清洗。

# 数据路径

DATA_PATH = './datasets/poetry.txt'

# 单行诗最大长度

MAX_LEN = 64

# 禁用的字符，拥有以下符号的诗将被忽略

DISALLOWED_WORDS = ['（', '）', '(', ')', '__', '《', '》', '【', '】', '[', ']']

# 一首诗（一行）对应一个列表的元素

poetry =

# 按行读取数据 poetry.txt

with open(DATA_PATH, 'r', encoding='utf-8') as f:

lines = f.readlines

# 遍历处理每一条数据

for line in lines:

# 利用正则表达式拆分标题和内容

fields = re.split(r"[:：]", line)

# 跳过异常数据

if len(fields) != 2:

continue

# 得到诗词内容（后面不需要标题）

content = fields[1]

# 跳过内容过长的诗词

if len(content) > MAX_LEN - 2:

continue

# 跳过存在禁用符的诗词

if any(word in content for word in DISALLOWED_WORDS):

continue

poetry.append(content.replace('\n', '')) # 最后要记得删除换行符

接着，我们来打印几首处理后的诗看看

for i in range(0, 5):

print(poetry[i])

系马宫槐老，持杯店菊黄。故交今不见，流恨满川光。

世间何事不潸然，得失人情命不延。适向蔡家厅上饮，回头已见一千年。

只领千馀骑，长驱碛邑间。云州多警急，雪夜度关山。石响铃声远，天寒弓力悭。秦楼休怅望，不日凯歌还。

今日花前饮，甘心醉数杯。但愁花有语，不为老人开。

秋来吟更苦，半咽半随风。禅客心应乱，愁人耳愿聋。雨晴烟树里，日晚古城中。远思应难尽，谁当与我同。

现在，我们需要对诗句进行分词，不过考虑到为了最后生成的诗的长度的整齐性，以及便利性，我们在这里按单个字符进行拆分。（你也可以使用专业的分词工具，例如jieba、hanlp等）

并且，我们还需要统计一下词频，删除掉出现次数较低的词

# 最小词频

MIN_WORD_FREQUENCY = 8

# 统计词频，利用Counter可以直接按单个字符进行统计词频

counter = Counter

for line in poetry:

counter.update(line)

# 过滤掉低词频的词

tokens = [token for token, count in counter.items() if count >= MIN_WORD_FREQUENCY]

看看我们的词频统计结果如何

i = 0

for token, count in counter.items:

if i >= 5:

break;

print(token, "->",count)

i = 1

寒 -> 2627随 -> 1039穷 -> 487律 -> 119变 -> 286

除此之外，还有几个点需要我们考虑。

• 需要用2个符号分别表示一首诗的起始点、结束点。这样我们的神经网络才能由训练得知什么时候写完一首诗。

• 需要一个字符来代表所有未知的字符。因为我们的数据去除了低频词，并且我们的文本不可能包含全世界所有的字符，因此需要一个字符来表示未知字符。

• 需要一个字符来填充诗词，以保证诗词的长度统一。因为单个批次内训练的数据特征长度必须一致。

因此，我们需要设置几个特殊字符

# 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tokens = ["[PAD]", "[None]", "[START]", "[END]"] tokens

最后，我们需要对生成的所有词进行编号，方便后面进行转码

# 映射: 词 -> 编号

word_idx = {}

# 映射: 编号 -> 词

idx_word = {}

for idx, word in enumerate(tokens):

word_idx[word] = idx

idx_word[idx] = word

注意：因为后面我们要构建一个Tokenizer，在其内部实现该结构，此处的代码可以不用管

2.3 构建Tokenizer

构建一个Tokenizer，用于实现编号与词之间、编号列表与词列表之间的转换

其代码如下

class Tokenizer:

"""

分词器

"""

def __init__(self, tokens):

# 词汇表大小

self.dict_size = len(tokens)

# 生成映射关系

self.token_id = {} # 映射: 词 -> 编号

self.id_token = {} # 映射: 编号 -> 词

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 -> 词

"""

return self.id_token.get(token_id)

def token_to_id(self, token):

"""

词 -> 编号

"""

return self.token_id.get(token, self.none_id)

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

# 遍历，词转编号

for token in tokens:

token_ids.append(self.token_to_id(token))

token_ids.append(self.end_id) # 结束标记

return token_ids

def decode(self, token_ids):

"""

编号列表 -> 词列表(去掉起始、结束标记)

"""

# 起始、结束标记

flag_tokens = {"[START]", "[END]"}

tokens =

for idx in token_ids:

token = self.id_to_token(idx)

# 跳过起始、结束标记

if token not in flag_tokens:

tokens.append(token)

return tokens

初始化 Tokenizer

tokenizer = Tokenizer(tokens)

2.4 构建PoetryDataSet

放了方便后面按批次抽取数据训练模型，因此我们还需要构建一个数据生成器。这样TensorFlow在训练模型时会之间从该数据生成器抽取数据。

另外，我们抽取的原始数据还需要进行转码，才能喂给模型进行训练，该部分也封装在PoetryDataSet中

其代码如下

class PoetryDataSet:

"""

古诗数据集生成器

"""

def __init__(self, data, tokenizer, batch_size):

# 数据集

self.data = data

self.total_size = len(self.data)

# 分词器，用于词转编号

self.tokenizer = tokenizer

# 每批数据量

self.batch_size = BATCH_SIZE

# 每个epoch迭代的步数

self.steps = int(math.floor(len(self.data) / self.batch_size))

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):

# 打乱数据

np.random.shuffle(self.data)

# 迭代一个epoch，每次yield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))

batch_data =

for str_line in data:

# 对每一行诗词进行编码、并补齐padding

encode_line = self.tokenizer.encode(str_line)

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 特征、标签

yield batch_data[:, :-1], batch_data[:, 1:]

def generator(self):

while True:

yield from self.__iter__

生成的特征、标签的示例如下（实际是编号，此处做了转换）

特征：[START]我有辞乡剑，玉锋堪截云。襄阳走马客，意气自生春。朝嫌剑花净，暮嫌剑光冷。能持剑向人，不解持照身。[END][PAD][PAD][PAD]

标签：我有辞乡剑，玉锋堪截云。襄阳走马客，意气自生春。朝嫌剑花净，暮嫌剑光冷。能持剑向人，不解持照身。[END][PAD][PAD][PAD][PAD]

初始化 PoetryDataSet

dataset = PoetryDataSet(poetry, tokenizer, BATCH_SIZE)

模型的构建与训练

3.1 构建模型

现在我们可以开始构建RNN模型了，因为模型层与层之间是顺序的，因此我们可以采用Sequential快速构建模型。

模型如下

model = tf.keras.Sequential([

# 词嵌入层

tf.keras.layers.Embedding(input_dim=tokenizer.dict_size, output_dim=150),

# 第一个LSTM层

tf.keras.layers.LSTM(150, dropout=0.5, return_sequences=True),

# 第二个LSTM层

tf.keras.layers.LSTM(150, dropout=0.5, return_sequences=True),

# 利用TimeDistributed对每个时间步的输出都做Dense操作(softmax激活)

tf.keras.layers.TimeDistributed(tf.keras.layers.Dense(tokenizer.dict_size, activation='softmax')),

])

模型总览

model.summary

Model: "sequential_2"

_________________________________________________________________

Layer (type) Output Shape Param #

=================================================================

embedding_2 (Embedding) (None, None, 150) 515100

_________________________________________________________________

lstm_4 (LSTM) (None, None, 150) 180600

_________________________________________________________________

lstm_5 (LSTM) (None, None, 150) 180600

_________________________________________________________________

time_distributed_2 (TimeDist (None, None, 3434) 518534

=================================================================

Total params: 1,394,834

Trainable params: 1,394,834

Non-trainable params: 0

_________________________________________________________________

进行模型编译（选择优化器、损失函数）

model.compile(

optimizer=tf.keras.optimizers.Adam,

loss=tf.keras.losses.sparse_categorical_crossentropy

)

注意：因为我们的标签是非one_hot形式的，因此需要选择sparse_categorical_crossentropy 。当然你也可以利用tf.one_hot(标签, size)进行转换，然后使用categorical_crossentropy。

3.2 训练模型

开始训练模型

model.fit(

dataset.generator,

steps_per_epoch=dataset.steps,

epochs=10

)

Train for 767 steps

Epoch 1/10

767/767 [==============================] - 34s 44ms/step - loss: 4.8892

Epoch 2/10

767/767 [==============================] - 31s 41ms/step - loss: 4.2494

Epoch 3/10

767/767 [==============================] - 31s 40ms/step - loss: 4.1113

Epoch 4/10

767/767 [==============================] - 31s 40ms/step - loss: 3.9864

Epoch 5/10

767/767 [==============================] - 31s 40ms/step - loss: 3.8660

Epoch 6/10

767/767 [==============================] - 31s 40ms/step - loss: 3.7879

Epoch 7/10

767/767 [==============================] - 31s 40ms/step - loss: 3.7339

Epoch 8/10

767/767 [==============================] - 31s 40ms/step - loss: 3.6826

Epoch 9/10

767/767 [==============================] - 31s 40ms/step - loss: 3.6275

Epoch 10/10

767/767 [==============================] - 31s 40ms/step - loss: 3.5999

预测

4.1 预测单个词

模型对于数据的预测结果是概率分布

# 需要先将词转为编号

token_ids = [tokenizer.token_to_id(word) for word in ["月", "光", "静", "谧"]]

# 进行预测

result = model.predict([token_ids ,])

print(result)

[[[2.0809230e-04 9.3881181e-03 5.5695949e-07 ... 5.6030808e-06

8.5241054e-06 2.0507096e-06]

[7.6916285e-06 6.1246334e-03 1.8850582e-08 ... 4.8418292e-06

2.8483141e-06 5.3288642e-07]

[5.0856406e-06 3.1365673e-03 1.9067786e-08 ... 4.5156207e-06

1.0479171e-05 9.7814757e-07]

[7.1793047e-06 2.2729969e-02 2.0391434e-08 ... 2.0609916e-06

2.2420336e-06 2.1413473e-06]]]

每次预测其实是根据一个序列预测一个新的词，我们需要词的多样化，因此可以按预测结果的概率分布进行抽样。代码如下

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)

:return: 一个词的编号(不包含[PAD][NONE][START])

"""

# 预测各个词的概率分布

# -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

# 按概率抽取一个

target_index = np.random.choice(len(p), p=p)

# 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

我们随便来对一个序列进行循环预测试试

token_ids = tokenizer.encode("清风明月")[:-1]

while len(token_ids) < 13:

# 预测词的编号

target = predict(model, token_ids)

# 保存结果

token_ids.append(target)

# 到达END

if target == tokenizer.end_id:

break

print("".join(tokenizer.decode(token_ids)))

清风明月夜，晚色北堂残。

至此，基本的预测已经完成。后面只需要设置一些规则，就可以实现随机生成一首诗、生成一首藏头诗的功能

4.2 随机生成一首诗、自动续写诗词

代码如下

def generate_random_poem(tokenizer, model, text=""):

"""

随机生成一首诗

:param tokenizer: 分词器

:param model: 古诗模型

:param text: 古诗的起始字符串，默认为空

:return: 一首古诗的字符串

"""

# 将初始字符串转成token_ids，并去掉结束标记[END]

token_ids = tokenizer.encode(text)[:-1]

while len(token_ids) < MAX_LEN:

# 预测词的编号

target = predict(model, token_ids)

# 保存结果

token_ids.append(target)

# 到达END

if target == tokenizer.end_id:

break

return "".join(tokenizer.decode(token_ids))

随意测试几次

for i in range(5):

print(generate_random_poem(tokenizer, model))

江亭路断暮，归去见芳洲。惆怅门中去，心年少地深。夜期深木静，水落夕阳深。秋去人南雨，凄头望海中。

洛陌江阳宫下树，玉门宫夜似东云。今更已长逢醉士，一明先语似相春。

春山风半夜初归，万岁空声去去过。自惜秦生犹送酒，何人无计不安稀。

何处东陵路，无年已复还。晓莺逢半急，潮望月云稀。暗影通三度，烟沙水鸟深。当年相忆望，何处问渔家。

清夜向阳阁，一风看北宫。雨分红蕊草，红杏药茶行。野石翻山远，猿晴不独天。谁知一山下，飞首却悠悠。

给一首诗的开头，让它自己续写

print(generate_random_poem(tokenizer, model, "春眠不觉晓，"))

print(generate_random_poem(tokenizer, model, "白日依山尽，"))

print(generate_random_poem(tokenizer, model, "秦时明月汉时关，"))

春眠不觉晓，坐住树深空。风月飘犹晓，春多出水流。

白日依山尽，相逢独水声。唯疑见心意，一老泪鸣归。落晚南游客，吟猿见柳寒。何堪看暮望，还见有军情。

秦时明月汉时关，欲望时恩不道心。莫忆旧乡僧雁在，始堪曾在牡苓流。

4.2 生成一首藏头诗

代码如下

def generate_acrostic_poem(tokenizer, model, heads):

"""

生成一首藏头诗

:param tokenizer: 分词器

:param model: 古诗模型

:param heads: 藏头诗的头

:return: 一首古诗的字符串

"""

# token_ids，只包含[START]编号

token_ids = [tokenizer.start_id, ]

# 逗号和句号标记编号

punctuation_ids = {tokenizer.token_to_id("，"), tokenizer.token_to_id("。")}

content =

# 为每一个head生成一句诗

for head in heads:

content.append(head)

# head转为编号id，放入列表，用于预测

token_ids.append(tokenizer.token_to_id(head))

# 开始生成一句诗

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

# 预测词的编号

target = predict(model, token_ids)

# 因为可能预测到END，所以加个判断

if target > 3:

# 保存结果到token_ids中，下一次预测还要用

token_ids.append(target)

content.append(tokenizer.id_to_token(target))

return "".join(content)

随意测试几次

print(generate_acrostic_poem(tokenizer, model, heads="上善若水"))

print(generate_acrostic_poem(tokenizer, model, heads="明月清风"))

print(generate_acrostic_poem(tokenizer, model, heads="点个赞吧"))

上亭清色望，善地半烟霞。若辨从秋日，水花清上清。

明夕远多尽，月生开雨明。清山看楚雪，风色水堂钟。

点阁风空雪，个枝时未开。赞君初合泪，吧石似春风。

4.3 如何生成一首押韵诗？

看了前面生成随机诗、藏头诗的代码，其实你应该知道我们对于生成的诗的每个词是可以控制。

那么我们在选取每句最后一个字时，只需要换一个预测方法即可。

之前我们使用predict是选取概率值为前100的，现在你只需要从预测的概率分布中过滤出与前面句式押韵的词，然后从中随机抽取一个字，即可生成押韵的诗句！^_^

其他

如果你需要在训练时，每个epoch都打印一下训练效果，或者想保存loss最小的模型，你可以在训练时添加Callback，例如：

class ShowSaveCallback(tf.keras.callbacks.Callback):

def __init__(self):

super.__init__

# 给一个初始最大值

self.loss = float("inf")

def on_epoch_end(self, epoch, logs=None):

# 保留损失最低的模型

if logs['loss'] <= self.loss:

self.loss = logs['loss']

model.save("./rnn_model.h5")

# 查看一下本次训练的效果

print

for i in range(5):

print(generate_random_poem(tokenizer, model))

# 开始训练

model.fit(

dataset.generator,

steps_per_epoch=dataset.steps,

epochs=10,

callbacks=[ShowSaveCallback()]

)

加载训练好的模型

model = tf.keras.models.load_model("./rnn_model.h5")

# 后面就可以继续进行预测了

【end】

有奖征文

• 2020年，5种将死的编程语言

• 检测、量化、追踪新冠病毒，基于深度学习的自动CT图像分析有多靠谱？

• GitHub 接连封杀开源项目惹众怒，CEO 亲自道歉！

• 智能合约编写之 Solidity 的设计模式

• 低学历、文科出身，我如何从月薪不到 3000 逆袭为大厂高薪程序员？

• 从提取层、处理层、基础结构入手，带你了解Spark和Kafka！

你点的每个“在看”，我都认真当成了AI

,