RNN训练模型并生成文本过程详解 图片看不了？点击切换HTTP 返回上层
在本节中，我们将学习如何生成类似于莎士比亚风格的文本。核心思想非常简单：以莎士比亚写的真实文本作为输入，并输入到即将要训练的 RNN 中；然后，用训练好的模型来生成新文本，这些文本看起来像是英国最伟大的作家所写的。
为了简单起见，这里将使用基于 TensorFlow 运行的框架 TFLearn，这里所使用的例子只是标准版的一部分（参考https://github.com/tflearn/tflearn/blob/master/examples/nlp/lstm_generator_shakespeare.py），所开发的模型是字符级 RNN 语言模型，考虑的序列则是字符序列而不是单词序列。
本节的工作方式与之前的相似：RNN 学习莎士比亚作品中的特征，然后这些特征被用来产生新的、从未见过的文本，这些文本很好地代表了最伟大的英国作家的写作风格。来看执行示例：
第一次迭代，此时，网络正在学习一些基本结构，包括虚拟人物（DIA、SURYONT、HRNTLGIPRMAR和ARILEN）的对话，但是英语水平还很糟糕，很多单词并不是真正的英文：
经过几次迭代，此时，网络正在学习对话的正确结构，使写出来的英语看起来更像正确的句子，例如：Well，there shall the things to need the offer to our heart和There is not that be so then to the death To make the body and all the mind：
为了简单起见，这里将使用基于 TensorFlow 运行的框架 TFLearn，这里所使用的例子只是标准版的一部分（参考https://github.com/tflearn/tflearn/blob/master/examples/nlp/lstm_generator_shakespeare.py），所开发的模型是字符级 RNN 语言模型，考虑的序列则是字符序列而不是单词序列。
具体做法
-
用 pip 方式安装 TFLearn：
-
导入一些有用的模块，并下载莎士比亚写的文本。本例使用的文本位于https://raw.githubusercontent.com/tflearn/tflearn.github.io/master/resources/shakespeare_input.txt：
-
将输入文本转换为向量，并通过
string_to_semi_redundant_sequences()返回解析的序列和目标以及关联的字典（函数输出一个元组：包括输入、目标和字典）：
-
定义由三个 LSTM 组成的 RNN，每个 LTSM 有 512 个节点，并返回完整序列而不是仅返回最后一个序列。请注意，使用概率为 50% 的 drop-out 模块来连接 LSTM 模块。最后一层是全连接层，softmax 长度等于字典尺寸。损失函数采用 categorical_crossentropy，优化器采用 Adam：
-
现在可以用库函数 flearn.models.generator.SequenceGenerator(network，dictionary=char_idx，seq_maxlen=maxle，clip_gradients=5.0，checkpoint_path='model_shakespeare') 生成序列：
-
经过 50 次迭代，从输入文本中选取一个随机序列并生成一个新的文本。温度参数控制所创建序列的多样性；接近于 0 的温度创建的序列看起来就像用于训练的样本，温度越高，结果越多样：
解读分析
当一件新的未知或遗忘的艺术作品需要被鉴定归于某位作者时，就会有著名学者将这件作品与作者的其他作品进行比较。学者们所做的是在作者已知作品的文本序列中寻找共同特征，并希望在鉴定作品中找到相似的特征。本节的工作方式与之前的相似：RNN 学习莎士比亚作品中的特征，然后这些特征被用来产生新的、从未见过的文本，这些文本很好地代表了最伟大的英国作家的写作风格。来看执行示例：
第一次迭代，此时，网络正在学习一些基本结构，包括虚拟人物（DIA、SURYONT、HRNTLGIPRMAR和ARILEN）的对话，但是英语水平还很糟糕，很多单词并不是真正的英文：
经过几次迭代，此时，网络正在学习对话的正确结构，使写出来的英语看起来更像正确的句子，例如：Well，there shall the things to need the offer to our heart和There is not that be so then to the death To make the body and all the mind：