根据前文生成诗：
生成藏头诗：
环境：
- python：3.9.7
- pytorch：1.11.0
- numpy：1.21.2
代码地址：https://github.com/xiaohuiduan/deeplearning-study/tree/main/写诗
数据预处理
数据集文件由3部分组成：ix2word，word2ix，data：
- ix2word：id到word的映射，如{23:'姑'}，一共有8293个word。
- word2ix2：word到id的映射，如{'姑':23}
- data：保存了诗的数据，一共有57580首诗，每条数据由125个word构成；如果诗的长度大于125则截断，如果诗的长度小于125，则使用""进行填充。
每条数据的构成规则为：</s></s></s>\(\dots\)<START>诗词<EOP>。
在训练的时候，不考虑填充数据，因此，将数据中的填充数据</s>去除，去除后，部分数据显示如下：
构建数据集
模型输入输出决定了数据集怎么构建，下图是模型的输入输出示意图。诗词生成实际上是一个语言模型，我们希望Model能够根据当前输入\(x_0,x_1,x_2\dots x_{n-1}\)去预测下一个状态\(x_n\)。如图中所示例子，则是希望在训练的过程中，模型能够根据输入<START>床前明月光生成床前明月光，。
因此根据“<START>床前明月光，凝是地上霜。举头望明月，低头思故乡<EOP>”，可以生成如下的X和Y（seq_len=6）。
代码示意图如下所示，seq_len代表每条训练数据的长度。
seq_len = 48
X = []
Y = []
poems_data = [j for i in poems for j in i] # 将所有诗的内容变成一个一维数组
for i in range(0,len(poems_data) - seq_len -1,seq_len):
X.append(poems_data[i:i+seq_len])
Y.append(poems_data[i+1:i+seq_len+1])
模型结构
模型结构如下所示，模型一共由3部分构成，Embedding层，LSTM层和全连接层。输入数据首先输入Embedding层，进行word2vec，然后将Word2Vec后的数据输入到LSTM中，最后将LSTM的输出输入到全连接层中得到预测结果。
模型构建代码如下，其中在本文中embedding_dim=200,hidden_dim=1024。
import torch
import torch.nn.functional as F
import torch.nn as nn
class PoemNet(nn.Module):
def __init__(self, vocab_size, embedding_dim, hidden_dim):
"""
vocab_size：训练集合字典大小（8293）
embedding_dim：word2vec的维度
hidden_dim：LSTM的hidden_dim
"""
super(PoemNet, self).__init__()
self.hidden_dim = hidden_dim
self.embeddings = nn.Embedding(vocab_size, embedding_dim)
self.lstm = nn.LSTM(embedding_dim, self.hidden_dim,batch_first=True)
self.fc = nn.Sequential(
nn.Linear(self.hidden_dim,2048),
nn.ReLU(),
nn.Dropout(0.25),
nn.Linear(2048,4096),
nn.Dropout(0.2),
nn.ReLU(),
nn.Linear(4096,vocab_size),
)
def forward(self, input,hidden=None):
"""
input：输入的诗词
hidden：在生成诗词的时候需要使用，在pytorch中，如果不指定初始状态h_0和C_0，则其
默认为0.
pytorch的LSTM的输出是(output,(h_n,c_n))。实际上，output就是h_1,h_2,……h_n
"""
embeds = self.embeddings(input)
batch_size, seq_len = input.size()
if hidden is None:
output, hidden = self.lstm(embeds)
else:
# h_0,c_0 = hidden
output, hidden = self.lstm(embeds,hidden)
output = self.fc(output)
output = output.reshape(batch_size * seq_len, -1)
output = F.log_softmax(output,dim=1)
return output,hidden
优化器使用的是Adam优化器，lr=0.001，损失函数是CrossEntropyLoss。训练次数为100个epcoh。
生成诗
因为在模型构建的过程中，使用了dropout，所以在模型使用的时候，需要将model设置为eval模式。
生成诗的逻辑图：
根据上文生成诗
根据上图的原理，写出的代码如下所示：
def generate_poem(my_words,max_len=128):
'''
根据前文my_words生成一首诗。max_len表示生成诗的最大长度。
'''
def __generate_next(idx,hidden=None):
"""
根据input和hidden输出下一个预测
"""
input = torch.Tensor([idx]).view(1,1).long().to(device)
output,hidden = my_net(input,hidden)
return output,hidden
# 初始化hidden状态
output,hidden = __generate_next(word2ix["<START>"])
my_words_len = len(my_words)
result = []
for word in my_words:
result.append(word)
# 积累hidden状态（h & c）
output,hidden = __generate_next(word2ix[word],hidden)
_,top_index = torch.max(output,1)
word = idx2word[top_index[0].item()]
result.append(word)
for i in range(max_len-my_words_len):
output,hidden = __generate_next(top_index[0].item(),hidden)
_,top_index = torch.max(output,1)
if top_index[0].item() == word2ix['<EOP>']: # 如果诗词已经预测到结尾
break
word = idx2word[top_index[0].item()]
result.append(word)
return "".join(result)
generate_poem("睡觉")
生成藏头诗
生成藏头诗的方法与根据上文生成诗的方法大同小异。
def acrostic_poetry(my_words):
def __generate_next(idx,hidden=None):
"""
根据input和hidden输出下一个预测词
"""
input = torch.Tensor([idx]).view(1,1).long().to(device)
output,hidden = my_net(input,hidden)
return output,hidden
def __generate(word,hidden):
"""
根据word生成一句诗（以“。”结尾的话） 如根据床生成“床前明月光，凝是地上霜。”
"""
generate_word = word2ix[word]
sentence = []
sentence.append(word)
while generate_word != word2ix["。"]:
output,hidden = __generate_next(generate_word,hidden)
_,top_index = torch.max(output,1)
generate_word = top_index[0].item()
sentence.append(idx2word[generate_word])
# 根据"。"生成下一个隐状态。
_,hidden = __generate_next(generate_word,hidden)
return sentence,hidden
_,hidden = __generate_next(word2ix["<START>"])
result = []
for word in my_words:
sentence,hidden = __generate(word,hidden)
result.append("".join(sentence))
print("\n".join(result))
acrostic_poetry("滚去读书")