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
|
12天前
|
机器学习/深度学习 人工智能 测试技术
EdgeMark:嵌入式人工智能工具的自动化与基准测试系统——论文阅读
EdgeMark是一个面向嵌入式AI的自动化部署与基准测试系统,支持TensorFlow Lite Micro、Edge Impulse等主流工具,通过模块化架构实现模型生成、优化、转换与部署全流程自动化,并提供跨平台性能对比,助力开发者在资源受限设备上高效选择与部署AI模型。
138 9
EdgeMark:嵌入式人工智能工具的自动化与基准测试系统——论文阅读
|
3月前
|
数据采集 人工智能 监控
人工智能驱动的软件工程:测试左移的崛起价值
本文探讨了人工智能驱动下测试左移理念在软件工程中的重要性,分析测试工程师在需求评估、AI代码生成及遗留系统优化中的关键作用,揭示AI带来的挑战与机遇,并指出测试工程师需提升技能、关注合规与可维护性,以在AI时代保障软件质量。
219 88
|
6月前
|
存储 算法 调度
基于和声搜索优化算法的机器工作调度matlab仿真,输出甘特图
本程序基于和声搜索优化算法(Harmony Search, HS),实现机器工作调度的MATLAB仿真,输出甘特图展示调度结果。算法通过模拟音乐家即兴演奏寻找最佳和声的过程,优化任务在不同机器上的执行顺序,以最小化完成时间和最大化资源利用率为目标。程序适用于MATLAB 2022A版本,运行后无水印。核心参数包括和声记忆大小(HMS)等,适应度函数用于建模优化目标。附带完整代码与运行结果展示。
168 24
|
10月前
|
机器学习/深度学习 人工智能 算法
猫狗宠物识别系统Python+TensorFlow+人工智能+深度学习+卷积网络算法
宠物识别系统使用Python和TensorFlow搭建卷积神经网络,基于37种常见猫狗数据集训练高精度模型,并保存为h5格式。通过Django框架搭建Web平台,用户上传宠物图片即可识别其名称,提供便捷的宠物识别服务。
841 55
|
9月前
|
机器学习/深度学习 人工智能 算法
基于Python深度学习的眼疾识别系统实现~人工智能+卷积网络算法
眼疾识别系统,本系统使用Python作为主要开发语言,基于TensorFlow搭建卷积神经网络算法,并收集了4种常见的眼疾图像数据集(白内障、糖尿病性视网膜病变、青光眼和正常眼睛) 再使用通过搭建的算法模型对数据集进行训练得到一个识别精度较高的模型,然后保存为为本地h5格式文件。最后使用Django框架搭建了一个Web网页平台可视化操作界面,实现用户上传一张眼疾图片识别其名称。
493 5
基于Python深度学习的眼疾识别系统实现~人工智能+卷积网络算法
|
3月前
|
机器学习/深度学习 存储 算法
强化学习算法基准测试:6种算法在多智能体环境中的表现实测
本文系统研究了多智能体强化学习的算法性能与评估框架,选用井字棋和连珠四子作为基准环境,对比分析Q-learning、蒙特卡洛、Sarsa等表格方法在对抗场景中的表现。实验表明,表格方法在小规模状态空间(如井字棋)中可有效学习策略,但在大规模状态空间(如连珠四子)中因泛化能力不足而失效,揭示了向函数逼近技术演进的必要性。研究构建了标准化评估流程,明确了不同算法的适用边界,为理解强化学习的可扩展性问题提供了实证支持与理论参考。
134 0
强化学习算法基准测试:6种算法在多智能体环境中的表现实测
|
4月前
|
自然语言处理 算法 数据可视化
文本聚类效果差?5种主流算法性能测试帮你找到最佳方案
本文探讨了自然语言处理中句子嵌入的聚类技术,使用Billingsmoore数据集(925个英语句子)进行实验。通过生成句子嵌入向量并可视化分析,对比了K-Means、DBSCAN、HDBSCAN、凝聚型层次聚类和谱聚类等算法的表现。结果表明,K-Means适合已知聚类数量的场景,DBSCAN和HDBSCAN适用于未知聚类数量且存在异常值的情况,而谱聚类在句子嵌入领域表现不佳。最终建议根据数据特征和计算资源选择合适的算法以实现高质量聚类。
179 0
文本聚类效果差?5种主流算法性能测试帮你找到最佳方案
|
8月前
|
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。
|
6月前
|
人工智能 安全 测试技术
Burp Suite Professional 2025.3 发布,引入 Burp AI 通过人工智能增强安全测试工作流程
Burp Suite Professional 2025.3 发布,引入 Burp AI 通过人工智能增强安全测试工作流程
415 0
Burp Suite Professional 2025.3 发布,引入 Burp AI 通过人工智能增强安全测试工作流程
|
11月前
|
机器学习/深度学习 人工智能 算法
探索人工智能中的强化学习:原理、算法与应用
探索人工智能中的强化学习:原理、算法与应用

热门文章

最新文章