深度学习（三）之LSTM写诗

目录

• 数据预处理
• 构建数据集
• 模型结构
• 生成诗
  • 根据上文生成诗
  • 生成藏头诗
• 参考

1. 根据前文生成诗：

   机器学习业，圣贤不可求。临戎辞蜀计，忠信尽封疆。天子咨两相，建章应四方。自疑非俗态，谁复念鹪鹩。

2. 生成藏头诗：

   滚发初生光，三乘如太白。
   去去冥冥没，冥茫寄天海。
   读书三十年，手把棼琴策。
   书罢华省郎，忧人惜凋病。

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>……<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x0,x1,x2…xn−1x0,x1,x2…xn−1去预测下一个状态xnxn。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）。

X：<START>床前明月光，Y：床前明月光，

X：，凝是地上霜，Y：凝是地上霜。

X：。举头望明月，Y：举头望明月，

X：，低头思故乡，Y：低头思故乡。

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")

睡觉寒炉火，晨钟坐中朝。炉烟沾煖露，池月静清砧。自有传心法，曾无住处传。不知尘世隔，一觉一壺秋。皎洁垂银液，浮航入绿醪。谁知旧邻里，相对似相亲。

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")

滚发初生光，三乘如太白。 去去冥冥没，冥茫寄天海。 读书三十年，手把棼琴策。 书罢华省郎，忧人惜凋病。

参考

• 简单明朗的 RNN 写诗教程 - 段小辉 - 博客园 (cnblogs.com)
• LSTM — PyTorch 1.11.0 documentation
• Embedding — PyTorch 1.11.0 documentation