如何用Python寫個會做詩的機器人

這篇文章給大家介紹如何用Python寫個會做詩的機器人，內容非常詳細，感興趣的小伙伴們可以參考借鑒，希望對大家能有所幫助。

1.原理介紹

首先，讓機器自動做詩，就需要運用自然語言處理的手段，讓機器能夠學會理解“詩句”，進而做出我們需要的詩句。如何讓機器“理解”詩句呢?我們用到了深度學習中的長短期記憶網絡(LSTM)。有點暈，不要急，我們后面會用白話給大家解釋。

LSTM是循環神經網絡(RNN)的一種變形，RNN能夠很好的解決自然語言處理的任務，但是對于長依賴的句子表現卻不是很好，例如：

上面的例子中后面使用“was”還是“were”取決于前面的單復數形式，但是由于“was”距離“dog”距離過長，所以RNN并不能夠很好的解決這個問題。

為了解決上述的問題，便引入了LSTM，為了更加直觀的解釋，我這里引入一個不是很恰當的例子:

比如我們正在看一場電影，我們能夠通過鏡頭的切換來了解故事的進展。而且隨著故事的發展，我們會知道某些主角的性格，年齡，喜好等等，這些都不會隨著鏡頭的切換而立馬被忘掉，這些就是長期記憶，而當故事發生在某個特定的場景下，比如下面喜洋洋的這張圖：

通過我們對于這部動漫的長期記憶，我們知道這是喜洋洋在思考，而在這個鏡頭中，我們利用到了長期記憶中關于“喜洋洋思考動作”的記憶，而在該鏡頭下需要被用到的長期記憶就被稱為“工作記憶”。

2.白話解釋LSTM

那么LSTM是如何工作的呢?

1).首先得讓LSTM學會遺忘

比如，當一個鏡頭結束后，LSTM應該忘記該鏡頭的位置，時間，或者說忘記該鏡頭的所有信息。但是如果發生某一演員領了盒飯的事情，那么LSTM就應該記住這個人已經領盒飯了，這也跟我們觀看影片一樣，我們會選擇忘記一些記憶，而保留我們需要的記憶。所以LSTM應該有能力知道當有新的鏡頭輸入時，什么該記住，什么該忘記。

2).其次是添加保留機制

當LSTM輸入新的鏡頭信息時，LSTM應該去學習什么樣的信息值得使用和保存。然后是根據前面的兩條，當有新的鏡頭輸入時，LSTM會遺忘那些不需要的長期記憶，然后學習輸入鏡頭中哪些值得使用，并將這些保存到長期記憶當中。

3).***是需要知道長期記憶的哪些點要被立即使用

比如，我們看到影片當中有個人在寫東西，那么我們可能會調用年齡這個長期記憶(小學生可能在寫作業，而大人可能再寫文案)，但是年齡信息跟當前的場景可能不相關。

4).因此LSTM只是學習它需要關注的部分，而不是一次使用所有的記憶。因此LSTM能夠很好的解決上述的問題。下圖是對于LSTM的一個很形象的展示：

3.實戰機器人

下面便是實戰的環節，雖然LSTM效果非常出色，但是仍舊需要對于數據的預處理工作，LSTM需要將每個詩句處理成相同的長度，而且需要將漢字轉換成為數字形式。那么如何進行預處理呢，主要分為3步  :

• 讀入數據，我們收集了眾多的詩詞數據

• 統計每一個字出現的次數，同時以其出現的次數作為每個漢字的id。

• 在產生批量數據的時候，我們需要將每一個詩句的長度都統一到同樣的長度，因此，對于長度不夠的句子，我們會以“*”進行填充

• 所以在***的效果展示的時候，可能在詩句中出現“*”的字樣。數據預處理的部分代碼如下圖所示：

上述的代碼中主要完成了下面幾步:

1).首先是讀入數據，并將句長大于100的進行縮減，刪掉100個字符后面的部分。

2).然后在每個句子的開頭和結尾加入‘^’和‘$’作為句子的標志。對于句長小于MIN_LENGTH的直接刪除

3).***將處理好的詩句，進行字數的統計，統計每個字出現的次數，并按照出現的次數作為每個漢字的id。

對于數據預處理部分的代碼，我都進行了注釋，方便大家進行理解，對于我們對于數據處理，以及python語句的理解都有極大的幫助。

模型的訓練，需要確保電腦中已經配置了tensorflow和numpy庫。當模型訓練完成后，我們可以直接對于模型進行調用，嵌入到我們的聊天機器人程序中，來實現我們的聊天機器人(對于聊天機器人的介紹，可以參照文末歷史文章)。

下面是部分代碼的展示：

4. 效果展示

說了這么多，我們來看一些訓練完的機器人作詩的效果

在圖A中展示了做詩機器人效果，機器人輸出“請輸入藏頭詩提示：”，當我們輸入藏頭詩提示時，機器人便會做出符合我們要求的藏頭詩。

在圖B中展示了有“*”字符存在的情況，當然由于中華文化的博大精深，也受制于訓練資料的限制，當我們的藏頭詩提示中存在沒有在訓練資料里出現的字符時，機器人便會提示該字符不在字典中，

在如圖C中紅色標識出來的部分，會處理異常的情況，提示不在字典中!

關于如何用Python寫個會做詩的機器人就分享到這里了，希望以上內容可以對大家有一定的幫助，可以學到更多知識。如果覺得文章不錯，可以把它分享出去讓更多的人看到。