DL之RNN:人工智能为你写周董歌词——基于TF利用RNN算法实现【机器为你作词】、训练&测试过程全记录

简介: DL之RNN:人工智能为你写周董歌词——基于TF利用RNN算法实现【机器为你作词】、训练&测试过程全记录

输出结果


1、test01


夕海

而我在等待之光

在月前被画面

而我心碎 你的个世纪

你的时间

我在赶过去

我的不是你不会感觉妈妈

我说不要不要说 我会爱你

我不要你不会

我不能不会别人

这样的人们我们不要

我会不要再见

你的时光机

这些爱 不要会会爱你

你也能再不要承诺

我只要这种种多简单

你的我的大人 我不会别以

我的感觉不好我走

你说你已经不能够继续

你说你爱我

你不会再想你

不会怕你 我会不要我

我不想再有一口

我要想你我不要再人

包容 你没有回忆

不要我不会感觉不来

我的不要你没有错觉

不能承受我已无奈单

不能要不要再要我会多爱我

能是我不是我

我要离开

2、test01


我说的你爱我的手

我们不能够沉默

我们的感觉

我们的爱情 我们的不是 一个人

让我们乘着阳光

让你在窗窗外面

我一路向北

一直在秋天

你的世界 是我心中不来

你的我爱你 我们

你的爱我 让我给你的美 

我知道这里说你不是我的人爱

这样不会停留我的伤的

我说不要再要 我要一种悲哀

不是你的我不想我不能说说

没有你烦恼

我只能听过

我说我会不要你的爱

你说你不想听你

我不会感动的天  你要的话

我不要我的爱我

我知道这个世人不会感开了我

你我在等待

不会怕我的感觉你说我在我的手 一定有人都没不错

不要问你不要要的人

我想你我不要再知事

我也能不会再想

但我有人爱你的我爱

你说我说一点走

让我们在半边 的照跳我没有

我说的感觉 我会想你  不要我的微笑就想多快乐

我不会再要我想不得

这么多小丑你要想走

我只是你的感觉

3、test01




模型监控






训练、测试过程全记录


1、训练过程


2018-10-13 21:25:28.646563:

step: 10/10000...  loss: 6.4094...  0.2286 sec/batch

step: 20/10000...  loss: 6.1287...  0.2296 sec/batch

step: 30/10000...  loss: 6.1107...  0.2211 sec/batch

step: 40/10000...  loss: 5.8126...  0.2467 sec/batch

step: 50/10000...  loss: 5.6969...  0.2366 sec/batch

step: 60/10000...  loss: 5.6081...  0.2406 sec/batch

step: 70/10000...  loss: 5.7305...  0.2411 sec/batch

step: 80/10000...  loss: 5.6465...  0.2441 sec/batch

step: 90/10000...  loss: 5.4519...  0.2381 sec/batch

step: 100/10000...  loss: 5.4479...  0.2271 sec/batch

step: 110/10000...  loss: 5.4051...  0.2236 sec/batch

step: 120/10000...  loss: 5.5111...  0.2226 sec/batch

step: 130/10000...  loss: 5.4023...  0.2311 sec/batch

step: 140/10000...  loss: 5.3445...  0.2266 sec/batch

step: 150/10000...  loss: 5.5066...  0.2326 sec/batch

step: 160/10000...  loss: 5.3925...  0.2376 sec/batch

step: 170/10000...  loss: 5.4850...  0.2326 sec/batch

step: 180/10000...  loss: 5.3654...  0.2206 sec/batch

step: 190/10000...  loss: 5.4041...  0.2421 sec/batch

step: 200/10000...  loss: 5.3814...  0.2181 sec/batch

……

step: 6800/10000...  loss: 3.0295...  0.2416 sec/batch

step: 6810/10000...  loss: 3.0675...  0.2747 sec/batch

step: 6820/10000...  loss: 3.0043...  0.2667 sec/batch

step: 6830/10000...  loss: 3.0258...  0.2276 sec/batch

step: 6840/10000...  loss: 2.8450...  0.2888 sec/batch

step: 6850/10000...  loss: 3.0091...  0.2797 sec/batch

step: 6860/10000...  loss: 3.1547...  0.2888 sec/batch

step: 6870/10000...  loss: 3.1725...  0.3108 sec/batch

step: 6880/10000...  loss: 2.8332...  0.2236 sec/batch

step: 6890/10000...  loss: 2.9765...  0.2186 sec/batch

step: 6900/10000...  loss: 3.0040...  0.2306 sec/batch

step: 6910/10000...  loss: 3.2340...  0.2136 sec/batch

step: 6920/10000...  loss: 2.8041...  0.2988 sec/batch

step: 6930/10000...  loss: 2.9514...  0.2216 sec/batch

step: 6940/10000...  loss: 3.1620...  0.2236 sec/batch

step: 6950/10000...  loss: 3.0633...  0.2136 sec/batch

step: 6960/10000...  loss: 2.8951...  0.2667 sec/batch

step: 6970/10000...  loss: 3.0201...  0.2206 sec/batch

step: 6980/10000...  loss: 3.0102...  0.2737 sec/batch

step: 6990/10000...  loss: 2.9885...  0.2527 sec/batch

step: 7000/10000...  loss: 3.1201...  0.2477 sec/batch

……

step: 8300/10000...  loss: 2.8474...  0.2296 sec/batch

step: 8310/10000...  loss: 2.8842...  0.2386 sec/batch

step: 8320/10000...  loss: 3.0446...  0.2246 sec/batch

step: 8330/10000...  loss: 3.0165...  0.2537 sec/batch

step: 8340/10000...  loss: 3.1366...  0.2266 sec/batch

step: 8350/10000...  loss: 2.9173...  0.3058 sec/batch

step: 8360/10000...  loss: 2.8468...  0.2356 sec/batch

step: 8370/10000...  loss: 3.0512...  0.2406 sec/batch

step: 8380/10000...  loss: 2.7532...  0.2286 sec/batch

step: 8390/10000...  loss: 3.0108...  0.2136 sec/batch

step: 8400/10000...  loss: 3.0818...  0.2787 sec/batch

step: 8410/10000...  loss: 2.9988...  0.2406 sec/batch

step: 8420/10000...  loss: 2.7640...  0.3449 sec/batch

step: 8430/10000...  loss: 3.0735...  0.2356 sec/batch

step: 8440/10000...  loss: 2.9183...  0.3610 sec/batch

step: 8450/10000...  loss: 2.9278...  0.3168 sec/batch

step: 8460/10000...  loss: 3.1321...  0.3660 sec/batch

step: 8470/10000...  loss: 2.9080...  0.2547 sec/batch

step: 8480/10000...  loss: 2.7861...  0.3108 sec/batch

step: 8490/10000...  loss: 3.0054...  0.2878 sec/batch

step: 8500/10000...  loss: 2.9389...  0.2366 sec/batch

……

step: 9800/10000...  loss: 2.8674...  0.3930 sec/batch

step: 9810/10000...  loss: 2.8695...  0.2136 sec/batch

step: 9820/10000...  loss: 2.8561...  0.2356 sec/batch

step: 9830/10000...  loss: 2.8824...  0.2186 sec/batch

step: 9840/10000...  loss: 2.8722...  0.2386 sec/batch

step: 9850/10000...  loss: 2.7315...  0.2116 sec/batch

step: 9860/10000...  loss: 2.8568...  0.2507 sec/batch

step: 9870/10000...  loss: 2.9153...  0.2216 sec/batch

step: 9880/10000...  loss: 2.9715...  0.2296 sec/batch

step: 9890/10000...  loss: 2.6941...  0.2256 sec/batch

step: 9900/10000...  loss: 2.7294...  0.3038 sec/batch

step: 9910/10000...  loss: 2.8968...  0.2376 sec/batch

step: 9920/10000...  loss: 2.9734...  0.2426 sec/batch

step: 9930/10000...  loss: 2.6401...  0.2276 sec/batch

step: 9940/10000...  loss: 2.8176...  0.2767 sec/batch

step: 9950/10000...  loss: 2.9532...  0.3429 sec/batch

step: 9960/10000...  loss: 2.9369...  0.2166 sec/batch

step: 9970/10000...  loss: 2.7590...  0.2206 sec/batch

step: 9980/10000...  loss: 2.8109...  0.2446 sec/batch

step: 9990/10000...  loss: 2.8011...  0.3038 sec/batch

step: 10000/10000...  loss: 2.8250...  0.3660 sec/batch




训练的数据集


1、训练的数据集为很多歌词


夜的第七章

打字机继续推向接近事实的那下一行

石楠烟斗的雾

飘向枯萎的树

沉默地对我哭诉

贝克街旁的圆形广场

盔甲骑士背上

鸢尾花的徽章 微亮

无人马车声响

深夜的拜访

邪恶在 维多利亚的月光下

血色的开场

消失的手枪

焦黑的手杖

融化的蜡像谁不在场

珠宝箱上 符号的假象

矛盾通往 他堆砌的死巷

证据被完美埋葬

那嘲弄苏格兰警场 的嘴角上扬

如果邪恶 是华丽残酷的乐章

它的终场 我会亲手写上

晨曦的光 风干最后一行忧伤

黑色的墨 染上安详

事实只能穿向

没有脚印的土壤

突兀的细微花香

刻意显眼的服装

每个人为不同的理由戴着面具说谎

动机也只有一种名字 那 叫做欲望

fafade~~fade~~fafa~

dedefa~~fade~~fafa~~

越过人性的沼泽

谁真的可以不被弄脏

我们可以 遗忘 原谅 但必须 知道真相

被移动过的铁床 那最后一块图终于拼上

我听见脚步声 预料的软皮鞋跟

他推开门 晚风晃了 煤油灯 一阵

打字机停在凶手的名称我转身

西敏寺的夜空 开始沸腾

在胸口绽放 艳丽的 死亡

我品尝着最后一口甜美的 真相

微笑回想正义只是安静的伸张

提琴在泰晤士

如果邪恶 是华丽残酷的乐章

它的终场 我会亲手写上

黑色的墨 染上安详

如果邪恶

是华丽残酷的乐章

它的终场 我会亲手写上

晨曦的光

风干最后一行忧伤

黑色的墨染上安详

黑色的墨染上安详

小朋友 你是否有很多问号

为什么 别人在那看漫画

我却在学画画 对着钢琴说话

别人在玩游戏 我却靠在墙壁背我的ABC

我说我要一台大大的飞机

但却得到一只旧旧录音机

为什么要听妈妈的话

长大后你就会开始懂了这段话 哼

长大后我开始明白

为什么我 跑得比别人快

飞得比别人高

将来大家看的都是我画的漫画

大家唱的都是 我写的歌

妈妈的辛苦 不让你看见

温暖的食谱在她心里面

有空就多多握握她的手

把手牵着一起梦游

听妈妈的话 别让她受伤

想快快长大 才能保护她

美丽的白发 幸福中发芽

天使的魔法 温暖中慈祥

在你的未来 音乐是你的王牌

拿王牌谈个恋爱

而我不想把你教坏

还是听妈妈的话吧

晚点再恋爱吧

我知道你未来的路

但妈比我更清楚

你会开始学其他同学

在书包写东写西

但我建议最好写妈妈

我会用功读书

用功读书 怎么会从我嘴巴说出

不想你输 所以要叫你用功读书

妈妈织给你的毛衣 你要好好的收着

因为母亲节到的时候我要告诉她我还留着

对了!我会遇到了周润发

所以你可以跟同学炫耀

赌神未来是你爸爸

我找不到 童年写的情书

你写完不要送人

因为过两天你会在操场上捡到

你会开始喜欢上流行歌

因为张学友开始准备唱《吻别》

听妈妈的话 别让她受伤

想快快长大 才能保护她

美丽的白发 幸福中发芽

天使的魔法 温暖中慈祥

听妈妈的话 别让她受伤

想快快长大 才能保护她

长大后我开始明白

为什么我 跑得比别人快

飞得比别人高

将来大家看的都是我画的漫画

大家唱的都是 我写的歌

妈妈的辛苦 不让你看见

温暖的食谱在她心里面

有空就多多握握她的手

把手牵着一起梦游

听妈妈的话 别让她受伤

想快快长大 才能保护她

美丽的白发 幸福中发芽

天使的魔法 温暖中慈祥

 


相关文章
|
9天前
|
机器学习/深度学习 人工智能 算法
基于Python深度学习的【垃圾识别系统】实现~TensorFlow+人工智能+算法网络
垃圾识别分类系统。本系统采用Python作为主要编程语言,通过收集了5种常见的垃圾数据集('塑料', '玻璃', '纸张', '纸板', '金属'),然后基于TensorFlow搭建卷积神经网络算法模型,通过对图像数据集进行多轮迭代训练,最后得到一个识别精度较高的模型文件。然后使用Django搭建Web网页端可视化操作界面,实现用户在网页端上传一张垃圾图片识别其名称。
37 0
基于Python深度学习的【垃圾识别系统】实现~TensorFlow+人工智能+算法网络
|
9天前
|
机器学习/深度学习 人工智能 算法
【手写数字识别】Python+深度学习+机器学习+人工智能+TensorFlow+算法模型
手写数字识别系统,使用Python作为主要开发语言,基于深度学习TensorFlow框架,搭建卷积神经网络算法。并通过对数据集进行训练,最后得到一个识别精度较高的模型。并基于Flask框架,开发网页端操作平台,实现用户上传一张图片识别其名称。
29 0
【手写数字识别】Python+深度学习+机器学习+人工智能+TensorFlow+算法模型
|
9天前
|
机器学习/深度学习 人工智能 算法
基于深度学习的【蔬菜识别】系统实现~Python+人工智能+TensorFlow+算法模型
蔬菜识别系统,本系统使用Python作为主要编程语言,通过收集了8种常见的蔬菜图像数据集('土豆', '大白菜', '大葱', '莲藕', '菠菜', '西红柿', '韭菜', '黄瓜'),然后基于TensorFlow搭建卷积神经网络算法模型,通过多轮迭代训练最后得到一个识别精度较高的模型文件。在使用Django开发web网页端操作界面,实现用户上传一张蔬菜图片识别其名称。
47 0
基于深度学习的【蔬菜识别】系统实现~Python+人工智能+TensorFlow+算法模型
|
1月前
|
人工智能 自然语言处理 算法
计算机前沿技术-人工智能算法-大语言模型-最新研究进展-2024-10-07(下)
计算机前沿技术-人工智能算法-大语言模型-最新研究进展-2024-10-07(下)
20 2
计算机前沿技术-人工智能算法-大语言模型-最新研究进展-2024-10-07(下)
|
15天前
|
机器学习/深度学习 自然语言处理 前端开发
前端神经网络入门:Brain.js - 详细介绍和对比不同的实现 - CNN、RNN、DNN、FFNN -无需准备环境打开浏览器即可测试运行-支持WebGPU加速
本文介绍了如何使用 JavaScript 神经网络库 **Brain.js** 实现不同类型的神经网络,包括前馈神经网络(FFNN)、深度神经网络(DNN)和循环神经网络(RNN)。通过简单的示例和代码,帮助前端开发者快速入门并理解神经网络的基本概念。文章还对比了各类神经网络的特点和适用场景,并简要介绍了卷积神经网络(CNN)的替代方案。
|
21天前
|
分布式计算 Java 开发工具
阿里云MaxCompute-XGBoost on Spark 极限梯度提升算法的分布式训练与模型持久化oss的实现与代码浅析
本文介绍了XGBoost在MaxCompute+OSS架构下模型持久化遇到的问题及其解决方案。首先简要介绍了XGBoost的特点和应用场景,随后详细描述了客户在将XGBoost on Spark任务从HDFS迁移到OSS时遇到的异常情况。通过分析异常堆栈和源代码,发现使用的`nativeBooster.saveModel`方法不支持OSS路径,而使用`write.overwrite().save`方法则能成功保存模型。最后提供了完整的Scala代码示例、Maven配置和提交命令,帮助用户顺利迁移模型存储路径。
|
1月前
|
机器学习/深度学习 人工智能 自然语言处理
计算机前沿技术-人工智能算法-大语言模型-最新研究进展-2024-10-19
计算机前沿技术-人工智能算法-大语言模型-最新研究进展-2024-10-19
48 2
|
1月前
|
存储 人工智能 算法
计算机前沿技术-人工智能算法-大语言模型-最新研究进展-2024-10-13(上)
计算机前沿技术-人工智能算法-大语言模型-最新研究进展-2024-10-13(上)
35 2
|
1月前
|
传感器 自然语言处理 安全
计算机前沿技术-人工智能算法-大语言模型-最新研究进展-2024-10-07(上)
计算机前沿技术-人工智能算法-大语言模型-最新研究进展-2024-10-07(上)
41 2
|
1月前
|
机器学习/深度学习 人工智能 自然语言处理
计算机前沿技术-人工智能算法-大语言模型-最新研究进展-2024-10-16
计算机前沿技术-人工智能算法-大语言模型-最新研究进展-2024-10-16
30 1
下一篇
无影云桌面