Python_ai
基于RNN的诗歌生成实验报告
一． 关于PoetryModel类的实现
（一） 初始化：
继承nn.Module类之后，定义embedding模型，输入的维数为vocab_size，输出的维数为embedding_size,之后定义lstm模型，注意它的要求是两层，用num_layers = 2来表示两层，输入是embeddingdim，输出是hiddndim，最后定义线性模型，输入hiddendim输出是vocabdim，它的目的是将输出的output向量的维数映射到vocabdim维数。
（二） Forward函数，接口为input 和 hidden（初始化为0）
hidden 为两个tensor组成的元组，h0和c0.将输入input向量经过embedding后经过神经网络LSTM后，将output线性模型过滤，最后返回output和hidden
二． test 函数和 acrostic_test函数的实现
（一） test 函数实现：
将start word转化为列表，并将第一个词设置为
(二) acrostic函数实现：
首先建立空列表，设置第一个输入为
三． 其他问题解决
（一） 如何对模型进行调试
我在处理模型的bug的过程中，不断的用print（XXX.shape）不断的输出关键向量的维数，查看维数是否匹配，因为在循环神经网络的训练过程中，维数的匹配非常重要，当维数不匹配时，锁定错误位置，及时调整。
（二） 如何提升模型训练效率，采用gpu加速
在模型定义过程中，使用代码self.device = torch.device("cuda" if torch.cuda.is_available() else "cpu")这样当电脑的gpu可用的时候，device就会被设定为cuda，同时在self.model定义时，后面加入.to(self.device)这样就可以用gpu进行加速，如果gpu不可用，那就会用cpu不会影响其他运算。
参考文献
- 面向中文古诗的智能问答技术研究（华中师范大学·洪婕）
- 《宋词三百首》标注语料库的构建及计量研究（南京师范大学·郝星月）
- 逼真流数据测试集的弹性并行生成框架技术（华东师范大学·顾伶）
- 轻量级分布式虚假信息爬虫的设计与实现（辽宁大学·韩昱）
- 数据可视化代码自动生成工具的研究与实现（北京工业大学·刘东洋）
- 逼真流数据测试集的弹性并行生成框架技术（华东师范大学·顾伶）
- 基于CUDA的知识图谱嵌入并行化（西南财经大学·鲁宇星）
- 基于Spring Boot的多用户博客系统的设计研究（青海师范大学·罗涛）
- 面向中文古诗的智能问答技术研究（华中师范大学·洪婕）
- 基于文本信息的可控图像生成研究（武汉纺织大学·余开元）
- 基于生成式对抗网络的文本数据增强系统的设计与实现（北京邮电大学·丹晓东）
- 基于对比学习的图像生成系统的设计与实现（北京邮电大学·王德鑫）
- 中外经典诗歌信息系统设计与实现（华中师范大学·黄柏霖）
- 基于Spring Cloud的股票简讯自动生成系统的设计与实现（北京邮电大学·张金生）
- 个性化音乐推荐系统的设计与实现（华中科技大学·余梦琴）
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：源码货栈 ，原文地址：https://bishedaima.com/yuanma/35772.html
