### 基于 PyTorch 的 Python 自动写诗程序实现方法 要构建一个基于 PyTorch 框架的自动写诗程序，可以通过以下方式完成： #### 1. 数据预处理 首先需要准备诗歌数据集并将其转化为适合模型输入的形式。以下是具体的代码示例： ```python import numpy as np import torch # 加载文本数据 with open('poetry.txt', 'r', encoding='utf-8') as f: text = f.read() # 构建字典 vocab = sorted(set(text)) np.save('vocab.npy', vocab) char2idx = {u: i for i, u in enumerate(vocab)} idx2char = np.array(vocab) text_as_int = np.array([char2idx[c] for c in text]) ``` 接着将这些整数值分割成固定长度的小片段以便后续训练[^3]。 #### 2. 定义 RNN/LSTM 模型结构 定义一个循环神经网络 (RNN) 或长短时记忆网络 (LSTM)，用于捕捉序列中的上下文关系。 ```python import torch.nn as nn class PoetryGenerator(nn.Module): def __init__(self, vocab_size, embedding_dim, hidden_dim): super(PoetryGenerator, self).__init__() self.embedding = nn.Embedding(vocab_size, embedding_dim) self.lstm = nn.LSTM(embedding_dim, hidden_dim, batch_first=True) self.fc = nn.Linear(hidden_dim, vocab_size) def forward(self, x, hidden=None): out = self.embedding(x) out, hidden = self.lstm(out, hidden) out = self.fc(out[:, -1, :]) # 取最后一个时间步的结果 return out, hidden ``` 此部分实现了嵌入层、LSTM 层以及全连接输出层的功能[^4]。 #### 3. 训练过程设置 配置损失函数与优化器，并编写完整的训练逻辑。 ```python device = torch.device("cuda" if torch.cuda.is_available() else "cpu") model = PoetryGenerator(len(vocab), embedding_dim=256, hidden_dim=512).to(device) criterion = nn.CrossEntropyLoss() optimizer = torch.optim.Adam(model.parameters(), lr=0.001) for epoch in range(num_epochs): model.train() total_loss = 0 for inputs, targets in data_loader: inputs, targets = inputs.to(device), targets.to(device) optimizer.zero_grad() outputs, _ = model(inputs) loss = criterion(outputs, targets.view(-1)) loss.backward() optimizer.step() total_loss += loss.item() print(f'Epoch [{epoch+1}/{num_epochs}], Loss: {total_loss:.4f}') ``` 这里采用了交叉熵作为评估标准来衡量预测值与真实标签之间的差异程度；Adam 是常用的自适应梯度下降算法之一[^2]。 #### 4. 测试阶段设计 当完成了足够的迭代次数之后就可以尝试让系统生成新的诗句啦！下面展示了一个简单的例子说明如何调用已训练完毕后的模型来进行创作。 ```python def generate_poem(start_string, temperature=1.0): num_generate = 100 input_eval = [char2idx[s] for s in start_string] input_eval = torch.tensor(input_eval).unsqueeze(0).to(device) hidden = None generated_text = list(start_string) with torch.no_grad(): for i in range(num_generate): predictions, hidden = model(input_eval, hidden) predictions = predictions / temperature predicted_id = torch.multinomial(torch.softmax(predictions, dim=-1)[0], num_samples=1)[-1].item() generated_text.append(idx2char[predicted_id]) input_eval = torch.tensor([[predicted_id]]).to(device) return ''.join(generated_text) ``` 通过调整 `temperature` 参数可以控制随机性的高低从而获得不同风格的作品[^1]。 ---