### LSTM古诗生成的Jupyter Notebook 示例代码 LSTM（长短期记忆网络）是一种特殊的RNN（循环神经网络），能够学习长期依赖关系，非常适合用于文本生成任务，例如古诗生成。以下是基于LSTM的古诗生成教程及代码示例[^1]。 #### 数据准备 在进行古诗生成之前，需要准备一个包含大量古诗的数据集。可以从公开数据集中获取古诗文本，或者手动整理一个古诗集合。数据预处理包括去除标点符号、将文本转换为小写以及构建字符到整数的映射表。 ```python import numpy as np from keras.models import Sequential from keras.layers import Dense, LSTM, Embedding from keras.optimizers import Adam # 加载古诗数据 def load_data(file_path): with open(file_path, 'r', encoding='utf-8') as f: text = f.read() return text # 构建字符到整数的映射 def build_mapping(text): chars = sorted(list(set(text))) char_to_int = {c: i for i, c in enumerate(chars)} int_to_char = {i: c for i, c in enumerate(chars)} return chars, char_to_int, int_to_char file_path = 'poems.txt' # 替换为你的古诗数据文件路径 text = load_data(file_path) chars, char_to_int, int_to_char = build_mapping(text) vocab_size = len(chars) print(f"词汇量大小: {vocab_size}") ``` #### 模型构建 使用Keras库构建LSTM模型。模型结构通常包括嵌入层、LSTM层和全连接层。嵌入层将字符转换为稠密向量表示，LSTM层捕捉序列中的时间依赖性，全连接层输出每个字符的概率分布。 ```python # 定义模型 model = Sequential() model.add(Embedding(input_dim=vocab_size, output_dim=128)) model.add(LSTM(units=256, return_sequences=True)) model.add(LSTM(units=256)) model.add(Dense(units=vocab_size, activation='softmax')) model.compile(optimizer=Adam(learning_rate=0.001), loss='categorical_crossentropy') model.summary() ``` #### 数据生成器 为了训练模型，需要将古诗文本转换为适合输入LSTM的格式。通过滑动窗口生成训练样本，并将目标字符作为标签。 ```python # 数据生成器 def generate_sequences(text, seq_length, char_to_int): sequences = [] next_chars = [] for i in range(0, len(text) - seq_length): seq = text[i:i + seq_length] next_char = text[i + seq_length] sequences.append([char_to_int[char] for char in seq]) next_chars.append(char_to_int[next_char]) return sequences, next_chars seq_length = 40 sequences, next_chars = generate_sequences(text, seq_length, char_to_int) X = np.array(sequences) y = np.utils.to_categorical(next_chars, num_classes=vocab_size) ``` #### 模型训练 使用生成的训练数据对模型进行训练。可以通过调整`epochs`和`batch_size`参数来优化训练过程。 ```python # 训练模型 model.fit(X, y, batch_size=128, epochs=50) ``` #### 生成古诗 训练完成后，可以使用模型生成新的古诗。从随机种子开始，逐步预测下一个字符并将其添加到生成的文本中。 ```python # 古诗生成 def generate_poem(seed_text, model, char_to_int, int_to_char, seq_length, num_chars=200): generated = seed_text for _ in range(num_chars): encoded = [char_to_int[char] for char in seed_text] x_pred = np.array(encoded).reshape(1, seq_length) preds = model.predict(x_pred, verbose=0)[0] next_index = np.argmax(preds) next_char = int_to_char[next_index] generated += next_char seed_text = seed_text[1:] + next_char return generated seed_text = "春眠不觉晓"[:seq_length] generated_poem = generate_poem(seed_text, model, char_to_int, int_to_char, seq_length) print(generated_poem) ``` ### 注意事项 1. 数据集的质量直接影响生成结果的好坏。确保数据集中包含足够多且高质量的古诗。 2. 调整模型超参数（如隐藏单元数量、学习率等）以获得更好的生成效果。 3. 使用GPU加速训练过程，尤其是在大规模数据集上训练时[^2]。