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

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

输出结果


1、test01


<unk><unk>风下,天上不相逢。

一人不得别,不得不可寻。

何事无时事,谁知一日年。

一年多旧国,一处不相寻。

白发何人见,清辉自有人。

何当不知事,相送不相思。

此去无相见,何年有旧年。

相思一阳处,相送不能归。

不得千株下,何时不得时。

此心不可见,此日不相思。

何事有归客,何言不见时。

何处不知处,不知山上时。

何当不可问,一事不知情。

此去不知事,无人不有身。

相逢何处见,不觉白云间。

白云一相见,一月不知时。

一夜一秋色,青楼不可知。

江西山水下,山下白头心。

此事何人见,孤舟向日深。

何当无一事,此路不相亲。

何必有山里,不知归去人。

相知不相识,此地不能闻。

白发千株树,秋风落日寒。

2、test02


不得无时人,何人不知别。

不见一时人,相思何日在。

一夜不可知,何时无一日。

一人不自见,何处有人情。

何处不知此,何人见此年。

何时不得处,此日不知君。

一日何人得,何由有此身。

相思无不得,一去不知君。

此日何人见,东风满月中。

无知不得去,不见不相思。

不得千峰上,相逢独不穷。

何年不可待,一夜有春风。

不见南江路,相思一夜归。

何人知此路,此日更难归。

白日无人处,秋光入水流。

江南无限路,相忆在山城。

何处知何事,孤城不可归。

山边秋月尽,江水水风生。

不有南江客,何时有故乡。

山中山上水,山上水中风。

何处不相访,何年有此心。

江边秋雨尽,山水白云寒。

3、test03


一朝多不见,无处在人人。

一里无人去,无人见故山。

何年不知别,此地有相亲。

白首何时去,春风不得行。

不知归去去,谁见此来情。

不有青山去,谁知不自知。

一时何处去,此去有君人。

不见南江路,何时是白云。

不知归客去,相忆不成秋。

不得东西去,何人有一身。

不能知此事,不觉是人情。

一里无时事,相逢不得心。

江南秋雨尽,风落夜来深。

何处不知别,春来不自知。

一朝无一处,何处是江南。

一里不相见,东西无一人。

一朝归去处,何事见沧洲。

此去无年处,何年有远心。

不知山上客,不是故人心。

一里不可得,无人有一年。

何人不见处,不得一朝生。

不见青云客,何人是此时。


模型监控






训练、测试过程全记录


1、训练过程


2018-10-13 22:31:33.935213:

step: 10/10000...  loss: 6.5868...  0.1901 sec/batch

step: 20/10000...  loss: 6.4824...  0.2401 sec/batch

step: 30/10000...  loss: 6.3176...  0.2401 sec/batch

step: 40/10000...  loss: 6.2126...  0.2401 sec/batch

step: 50/10000...  loss: 6.0081...  0.2301 sec/batch

step: 60/10000...  loss: 5.7657...  0.2401 sec/batch

step: 70/10000...  loss: 5.6694...  0.2301 sec/batch

step: 80/10000...  loss: 5.6661...  0.2301 sec/batch

step: 90/10000...  loss: 5.6736...  0.2301 sec/batch

step: 100/10000...  loss: 5.5698...  0.2201 sec/batch

step: 110/10000...  loss: 5.6083...  0.2301 sec/batch

step: 120/10000...  loss: 5.5252...  0.2301 sec/batch

step: 130/10000...  loss: 5.4708...  0.2301 sec/batch

step: 140/10000...  loss: 5.4311...  0.2401 sec/batch

step: 150/10000...  loss: 5.4571...  0.2701 sec/batch

step: 160/10000...  loss: 5.5295...  0.2520 sec/batch

step: 170/10000...  loss: 5.4211...  0.2401 sec/batch

step: 180/10000...  loss: 5.4161...  0.2802 sec/batch

step: 190/10000...  loss: 5.4389...  0.4943 sec/batch

step: 200/10000...  loss: 5.3380...  0.4332 sec/batch

……

step: 790/10000...  loss: 5.2031...  0.2301 sec/batch

step: 800/10000...  loss: 5.2537...  0.2301 sec/batch

step: 810/10000...  loss: 5.0923...  0.2301 sec/batch

step: 820/10000...  loss: 5.1930...  0.2501 sec/batch

step: 830/10000...  loss: 5.1636...  0.2535 sec/batch

step: 840/10000...  loss: 5.1357...  0.2801 sec/batch

step: 850/10000...  loss: 5.0844...  0.2236 sec/batch

step: 860/10000...  loss: 5.2004...  0.2386 sec/batch

step: 870/10000...  loss: 5.1894...  0.2401 sec/batch

step: 880/10000...  loss: 5.1631...  0.2501 sec/batch

step: 890/10000...  loss: 5.1297...  0.2477 sec/batch

step: 900/10000...  loss: 5.1044...  0.2401 sec/batch

step: 910/10000...  loss: 5.0738...  0.2382 sec/batch

step: 920/10000...  loss: 5.0971...  0.2701 sec/batch

step: 930/10000...  loss: 5.1829...  0.2501 sec/batch

step: 940/10000...  loss: 5.1822...  0.2364 sec/batch

step: 950/10000...  loss: 5.1883...  0.2401 sec/batch

step: 960/10000...  loss: 5.0521...  0.2301 sec/batch

step: 970/10000...  loss: 5.0848...  0.2201 sec/batch

step: 980/10000...  loss: 5.0598...  0.2201 sec/batch

step: 990/10000...  loss: 5.0421...  0.2701 sec/batch

step: 1000/10000...  loss: 5.1234...  0.2323 sec/batch

step: 1010/10000...  loss: 5.0744...  0.2356 sec/batch

step: 1020/10000...  loss: 5.0408...  0.2401 sec/batch

step: 1030/10000...  loss: 5.1138...  0.2417 sec/batch

step: 1040/10000...  loss: 4.9961...  0.2601 sec/batch

step: 1050/10000...  loss: 4.9691...  0.2401 sec/batch

step: 1060/10000...  loss: 4.9938...  0.2601 sec/batch

step: 1070/10000...  loss: 4.9778...  0.2601 sec/batch

step: 1080/10000...  loss: 5.0157...  0.3600 sec/batch

……

step: 4440/10000...  loss: 4.7136...  0.2757 sec/batch

step: 4450/10000...  loss: 4.5896...  0.2767 sec/batch

step: 4460/10000...  loss: 4.6408...  0.3088 sec/batch

step: 4470/10000...  loss: 4.6901...  0.2737 sec/batch

step: 4480/10000...  loss: 4.5717...  0.2707 sec/batch

step: 4490/10000...  loss: 4.7523...  0.2838 sec/batch

step: 4500/10000...  loss: 4.7592...  0.2998 sec/batch

step: 4510/10000...  loss: 4.6054...  0.2878 sec/batch

step: 4520/10000...  loss: 4.7039...  0.2868 sec/batch

step: 4530/10000...  loss: 4.6380...  0.2838 sec/batch

step: 4540/10000...  loss: 4.5378...  0.2777 sec/batch

step: 4550/10000...  loss: 4.7376...  0.3098 sec/batch

step: 4560/10000...  loss: 4.7103...  0.2797 sec/batch

step: 4570/10000...  loss: 4.7170...  0.2767 sec/batch

step: 4580/10000...  loss: 4.7307...  0.3168 sec/batch

step: 4590/10000...  loss: 4.7139...  0.3108 sec/batch

step: 4600/10000...  loss: 4.7419...  0.3028 sec/batch

step: 4610/10000...  loss: 4.7980...  0.2918 sec/batch

step: 4620/10000...  loss: 4.7127...  0.2797 sec/batch

step: 4630/10000...  loss: 4.7264...  0.2858 sec/batch

step: 4640/10000...  loss: 4.6384...  0.3419 sec/batch

step: 4650/10000...  loss: 4.6761...  0.2978 sec/batch

step: 4660/10000...  loss: 4.8158...  0.3590 sec/batch

step: 4670/10000...  loss: 4.7579...  0.2828 sec/batch

step: 4680/10000...  loss: 4.7702...  0.2777 sec/batch

step: 4690/10000...  loss: 4.6909...  0.2607 sec/batch

step: 4700/10000...  loss: 4.6037...  0.2808 sec/batch

step: 4710/10000...  loss: 4.6775...  0.2848 sec/batch

step: 4720/10000...  loss: 4.6074...  0.2838 sec/batch

step: 4730/10000...  loss: 4.7280...  0.3088 sec/batch

step: 4740/10000...  loss: 4.7241...  0.3539 sec/batch

step: 4750/10000...  loss: 4.5496...  0.2948 sec/batch

step: 4760/10000...  loss: 4.6488...  0.3189 sec/batch

step: 4770/10000...  loss: 4.6698...  0.3048 sec/batch

step: 4780/10000...  loss: 4.6410...  0.3068 sec/batch

step: 4790/10000...  loss: 4.7408...  0.3329 sec/batch

step: 4800/10000...  loss: 4.6425...  0.2928 sec/batch

step: 4810/10000...  loss: 4.6900...  0.2978 sec/batch

step: 4820/10000...  loss: 4.5715...  0.3499 sec/batch

step: 4830/10000...  loss: 4.7289...  0.2868 sec/batch

step: 4840/10000...  loss: 4.7500...  0.2998 sec/batch

step: 4850/10000...  loss: 4.7674...  0.2968 sec/batch

step: 4860/10000...  loss: 4.6832...  0.3078 sec/batch

step: 4870/10000...  loss: 4.7478...  0.3008 sec/batch

step: 4880/10000...  loss: 4.7895...  0.2817 sec/batch

……

step: 9710/10000...  loss: 4.5839...  0.2601 sec/batch

step: 9720/10000...  loss: 4.4666...  0.2401 sec/batch

step: 9730/10000...  loss: 4.6392...  0.2201 sec/batch

step: 9740/10000...  loss: 4.5415...  0.2201 sec/batch

step: 9750/10000...  loss: 4.6513...  0.2201 sec/batch

step: 9760/10000...  loss: 4.6485...  0.2201 sec/batch

step: 9770/10000...  loss: 4.5317...  0.2201 sec/batch

step: 9780/10000...  loss: 4.5547...  0.2301 sec/batch

step: 9790/10000...  loss: 4.3995...  0.2301 sec/batch

step: 9800/10000...  loss: 4.5596...  0.2301 sec/batch

step: 9810/10000...  loss: 4.5636...  0.2301 sec/batch

step: 9820/10000...  loss: 4.4348...  0.2201 sec/batch

step: 9830/10000...  loss: 4.5268...  0.2201 sec/batch

step: 9840/10000...  loss: 4.5790...  0.2201 sec/batch

step: 9850/10000...  loss: 4.6265...  0.2301 sec/batch

step: 9860/10000...  loss: 4.6017...  0.2401 sec/batch

step: 9870/10000...  loss: 4.4009...  0.2301 sec/batch

step: 9880/10000...  loss: 4.4448...  0.2201 sec/batch

step: 9890/10000...  loss: 4.5858...  0.2201 sec/batch

step: 9900/10000...  loss: 4.5622...  0.2201 sec/batch

step: 9910/10000...  loss: 4.4015...  0.2301 sec/batch

step: 9920/10000...  loss: 4.5220...  0.2301 sec/batch

step: 9930/10000...  loss: 4.5207...  0.2201 sec/batch

step: 9940/10000...  loss: 4.4752...  0.2201 sec/batch

step: 9950/10000...  loss: 4.4572...  0.2301 sec/batch

step: 9960/10000...  loss: 4.5389...  0.2201 sec/batch

step: 9970/10000...  loss: 4.5561...  0.2301 sec/batch

step: 9980/10000...  loss: 4.4487...  0.2401 sec/batch

step: 9990/10000...  loss: 4.4851...  0.2301 sec/batch

step: 10000/10000...  loss: 4.5944...  0.2201 sec/batch

2、测试过程




训练的数据集


1、大量的五言唐诗


寒随穷律变,春逐鸟声开。

初风飘带柳,晚雪间花梅。

碧林青旧竹,绿沼翠新苔。

芝田初雁去,绮树巧莺来。

晚霞聊自怡,初晴弥可喜。

日晃百花色,风动千林翠。

池鱼跃不同,园鸟声还异。

寄言博通者,知予物外志。

一朝春夏改,隔夜鸟花迁。

阴阳深浅叶,晓夕重轻烟。

哢莺犹响殿,横丝正网天。

珮高兰影接,绶细草纹连。

碧鳞惊棹侧,玄燕舞檐前。

何必汾阳处,始复有山泉。

夏律昨留灰,秋箭今移晷。

峨嵋岫初出,洞庭波渐起。

桂白发幽岩,菊黄开灞涘。

运流方可叹,含毫属微理。

寒惊蓟门叶,秋发小山枝。

松阴背日转,竹影避风移。

提壶菊花岸,高兴芙蓉池。

欲知凉气早,巢空燕不窥。

山亭秋色满,岩牖凉风度。

疏兰尚染烟,残菊犹承露。

古石衣新苔,新巢封古树。

历览情无极,咫尺轮光暮。

慨然抚长剑,济世岂邀名。

星旗纷电举,日羽肃天行。

遍野屯万骑,临原驻五营。

登山麾武节,背水纵神兵。

在昔戎戈动,今来宇宙平。

翠野驻戎轩,卢龙转征旆。

遥山丽如绮,长流萦似带。

海气百重楼,岩松千丈盖。

兹焉可游赏,何必襄城外。

玄兔月初明,澄辉照辽碣。

映云光暂隐,隔树花如缀。

魄满桂枝圆,轮亏镜彩缺。

临城却影散,带晕重围结。

驻跸俯九都,停观妖氛灭。

碧原开雾隰,绮岭峻霞城。

烟峰高下翠,日浪浅深明。

斑红妆蕊树,圆青压溜荆。

迹岩劳傅想,窥野访莘情。

巨川何以济,舟楫伫时英。

春蒐驰骏骨,总辔俯长河。

霞处流萦锦,风前漾卷罗。

水花翻照树,堤兰倒插波。

岂必汾阴曲,秋云发棹歌。

重峦俯渭水,碧嶂插遥天。

……



 


相关文章
|
2天前
|
算法 数据安全/隐私保护 计算机视觉
基于FPGA的图像双线性插值算法verilog实现,包括tb测试文件和MATLAB辅助验证
本项目展示了256×256图像通过双线性插值放大至512×512的效果,无水印展示。使用Matlab 2022a和Vivado 2019.2开发,提供完整代码及详细中文注释、操作视频。核心程序实现图像缩放,并在Matlab中验证效果。双线性插值算法通过FPGA高效实现图像缩放,确保质量。
|
3月前
|
并行计算 算法 测试技术
C语言因高效灵活被广泛应用于软件开发。本文探讨了优化C语言程序性能的策略,涵盖算法优化、代码结构优化、内存管理优化、编译器优化、数据结构优化、并行计算优化及性能测试与分析七个方面
C语言因高效灵活被广泛应用于软件开发。本文探讨了优化C语言程序性能的策略,涵盖算法优化、代码结构优化、内存管理优化、编译器优化、数据结构优化、并行计算优化及性能测试与分析七个方面,旨在通过综合策略提升程序性能,满足实际需求。
99 1
|
4月前
|
存储 机器学习/深度学习 算法
蓝桥杯练习题(三):Python组之算法训练提高综合五十题
蓝桥杯Python编程练习题的集合,涵盖了从基础到提高的多个算法题目及其解答。
163 3
蓝桥杯练习题(三):Python组之算法训练提高综合五十题
|
3月前
|
机器学习/深度学习 人工智能 自然语言处理
AI与艺术创作:机器的艺术天赋
【10月更文挑战第31天】本文探讨了AI在艺术创作中的应用及其独特“艺术天赋”。从绘画、音乐、文学到设计,AI通过计算机视觉、自然语言处理和生成对抗网络等技术,逐渐展现出强大的创作能力。尽管面临原创性、审美标准和法律伦理等挑战,AI艺术创作仍为艺术界带来了新的视角和灵感,未来有望与人类艺术家共同推动艺术的创新与发展。
|
3月前
|
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。
|
4月前
|
机器学习/深度学习 算法 决策智能
【机器学习】揭秘深度学习优化算法:加速训练与提升性能
【机器学习】揭秘深度学习优化算法:加速训练与提升性能
|
4月前
|
JSON 算法 数据可视化
测试专项笔记(一): 通过算法能力接口返回的检测结果完成相关指标的计算(目标检测)
这篇文章是关于如何通过算法接口返回的目标检测结果来计算性能指标的笔记。它涵盖了任务描述、指标分析(包括TP、FP、FN、TN、精准率和召回率),接口处理,数据集处理,以及如何使用实用工具进行文件操作和数据可视化。文章还提供了一些Python代码示例,用于处理图像文件、转换数据格式以及计算目标检测的性能指标。
109 0
测试专项笔记(一): 通过算法能力接口返回的检测结果完成相关指标的计算(目标检测)
|
4月前
|
算法 Java C++
【贪心算法】算法训练 ALGO-1003 礼物(C/C++)
【贪心算法】算法训练 ALGO-1003 礼物(C/C++)
【贪心算法】算法训练 ALGO-1003 礼物(C/C++)
|
4月前
|
算法 C++
蓝桥 算法训练 共线(C++)
蓝桥 算法训练 共线(C++)
|
5月前
|
机器学习/深度学习 人工智能 算法
AI伦理边界:当机器决策超越人类认知
【9月更文挑战第5天】AI伦理边界的探索是一个复杂而艰巨的任务,需要政府、企业、学术界和社会各界的共同努力。随着AI技术的不断发展,我们有理由相信,通过不断的探索和实践,我们一定能够找到一条既符合伦理道德又能够充分发挥AI技术潜力的道路。在未来的日子里,让我们携手并进,共同迎接AI技术带来的机遇与挑战。