人工智能PK高鹗，续写《红楼梦》

忘是亡心i 2022-12-29 12:54 138阅读 0赞

## 1.前言 ##

既然曹老爷子的后四十回丢了，那么对于每个热爱她的人来说，续写红楼都是一件让人热血沸腾的事儿。正好最近不是很忙，作为一个自然语言处理的小学生，我大胆尝试着使用人工智能来实现我的愿望。

## 2.环境准备 ##

1.整体模型使用T1080 训练了10分钟左右，当然是一个比较简单的模型  
2.框架使用tensorflow2.1版本

## 3.代码 ##

使用方式，给定第一个字，自动生成固定长度的文本。

import tensorflow as tf
    import numpy as np
    import os
    import time
    text = open('honglou.txt','r',encoding='gb18030').read()
    vocab = sorted(set(text))
    char2idx = {u:i for i,u in enumerate(vocab)}
    text_as_int = np.array([char2idx[t] for t in text])
    char_dataset = tf.data.Dataset.from_tensor_slices(text_as_int)
    seq_length = 100
    sequences = char_dataset.batch(seq_length+1,drop_remainder=True)

def split\_input\_target(chunk):  
input\_text = chunk\[:-1\]  
target\_text = chunk\[1:\]  
return input\_text,target\_text  
dataset = sequences.map(split\_input\_target)  
BATCH\_SIZE = 64  
dataset = dataset.shuffle(1000).batch(BATCH\_SIZE,drop\_remainder=True)

\#词集的长度  
vocab\_size = len(vocab)  
\#嵌入的维度  
embedding\_dim = 256  
\#RNN 的单元数量  
rnn\_units = 1024  
def build\_model(vocab\_size, embedding\_dim, rnn\_units, batch\_size):  
model = tf.keras.Sequential(\[  
tf.keras.layers.Embedding(vocab\_size, embedding\_dim,  
batch\_input\_shape=\[batch\_size, None\]),  
tf.keras.layers.GRU(rnn\_units,  
return\_sequences=True,  
stateful=True,  
recurrent\_initializer=‘glorot\_uniform’),  
tf.keras.layers.Dense(vocab\_size)  
\])  
return model  
model = build\_model(vocab\_size = len(vocab),embedding\_dim=embedding\_dim,rnn\_units=rnn\_units,batch\_size=BATCH\_SIZE)

for input\_example\_batch, target\_example\_batch in dataset.take(1):  
example\_batch\_predictions = model(input\_example\_batch)  
def loss(labels, logits):  
return tf.keras.losses.sparse\_categorical\_crossentropy(labels, logits, from\_logits=True)  
example\_batch\_loss = loss(target\_example\_batch, example\_batch\_predictions)  
model.compile(optimizer=‘adam’, loss=loss)

\#检查点保存至的目录  
checkpoint\_dir = ‘./training\_checkpoints’  
\#检查点的文件名  
checkpoint\_prefix = os.path.join(checkpoint\_dir, “ckpt\_\{epoch\}”)  
checkpoint\_callback=tf.keras.callbacks.ModelCheckpoint(filepath=checkpoint\_prefix,save\_weights\_only=True)

EPOCHS = 150  
model.fit(dataset,epochs=EPOCHS,callbacks=\[checkpoint\_callback\])

\#使用模型  
tf.train.latest\_checkpoint(checkpoint\_dir)  
model = build\_model(vocab\_size,embedding\_dim,rnn\_units,1)  
model.load\_weights(tf.train.latest\_checkpoint(checkpoint\_dir))  
model.build(tf.TensorShape(\[1, None\]))

def generate\_text(model, start\_string):

# 评估步骤（用学习过的模型生成文本） #

# 要生成的字符个数 #

num\_generate = 1000

# 将起始字符串转换为数字（向量化） #

input\_eval = \[char2idx\[s\] for s in start\_string\]  
input\_eval = tf.expand\_dims(input\_eval, 0)

# 空字符串用于存储结果 #

text\_generated = \[\]

# 低温度会生成更可预测的文本 #

# 较高温度会生成更令人惊讶的文本 #

# 可以通过试验以找到最好的设定 #

temperature = 1.0

# 这里批大小为 1 #

model.reset\_states()  
idx2char = np.array(vocab)  
for i in range(num\_generate):  
predictions = model(input\_eval)  
\# 删除批次的维度  
predictions = tf.squeeze(predictions, 0)

# 用分类分布预测模型返回的字符
      predictions = predictions / temperature
      predicted_id = tf.random.categorical(predictions, num_samples=1)[-1,0].numpy()
    
      # 把预测字符和前面的隐藏状态一起传递给模型作为下一个输入
      input_eval = tf.expand_dims([predicted_id], 0)
     
      text_generated.append(idx2char[predicted_id])

return (start\_string + ‘’.join(text\_generated))  
print(generate\_text(model, start\_string=u"话说金桂听了"))

## 4.我的一天 ##

我去使用饮水机打水，刚开始的时候水杯发出的声音很大，一度会担心吵到别人。随着杯子中水量的增加，声音越来越小，直到最后听不见，我就将水关掉了。这就是人们常说的满瓶不响半瓶响吧！是说一个人没有什么水平的时候，总是表现的特别高调，等到这个人成熟了，见过大的世面，就懂得谦逊和低调。可是我不禁的去想，为什么我们总是在空瓶的时候，希望它的声音小一点。对于不成熟的人，高调不是一件很正常的事情吗？既然大自然不嫌弃会响的空瓶，我们有什么资格嫌弃那些不成熟的人呢？这种嫌弃的心才是真的应该被嫌弃的吧！算了，不想了，继续努力工作吧！在我工作的累的时候，我就听会儿个放松一下。这时候突然想起了一个农民，大热的天他在田地里辛苦的劳动，这时候也累了找个树荫处休息休息，吹吹风。再看看我的四周，我还真是羡慕那个农民。突然间觉得土地无比的亲切，我想家了，想回到自己出生的地方去，听听田里蟋蟀的声音。

愣着干什么？进来选老婆!