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
|
2月前
|
人工智能 算法 测试技术
软件测试中的人工智能革命
本文深入探讨了人工智能在软件测试中的应用,揭示了这一技术革新如何改变传统的测试流程。通过分析人工智能技术的优势、具体应用案例以及面临的挑战,文章展示了AI如何提高测试效率、减少人为错误,并预测其在未来软件测试中的趋势。此外,文章还提出了针对当前挑战的解决策略,为软件测试行业的从业者提供了宝贵的参考和启示。
39 4
|
1月前
|
机器学习/深度学习 人工智能 自然语言处理
软件测试中的人工智能革命:现状与未来展望
【10月更文挑战第2天】 本文深入探讨了人工智能在软件测试领域的应用现状、面临的挑战以及未来的发展方向。通过分析AI技术如何提高测试效率、准确性和自动化水平,文章揭示了AI在改变传统软件测试模式中的关键作用。同时,指出了当前AI测试工具的局限性,并对未来AI与软件测试深度融合的前景进行了展望,强调了技术创新对于提升软件质量的重要性。
46 4
|
27天前
|
机器学习/深度学习 人工智能 自然语言处理
软件测试中的人工智能:提升效率与准确性的新途径
在当今快速发展的技术领域,人工智能(AI)正成为软件测试的重要工具。本文将探讨AI在软件测试中的应用,如何通过智能化手段提高测试的效率和准确性。从自动化测试到缺陷预测,我们将深入了解AI如何改变传统的软件测试方式,为软件开发流程带来革命性的变化。
|
29天前
|
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。
54 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)
|
1月前
|
机器学习/深度学习 人工智能 监控
软件测试中的人工智能革命
本文探讨了人工智能在软件测试中的应用及其带来的变革。通过分析AI如何提高测试效率、准确性,并减少人工干预,本文揭示了软件测试领域的未来趋势。
|
1月前
|
机器学习/深度学习 人工智能 自然语言处理
软件测试中的人工智能革命:效率与准确性的双重提升
随着人工智能技术的不断进步,软件测试领域正经历着前所未有的变革。本文将探讨人工智能在软件测试中的应用及其对效率和准确性的提升。我们将分析传统软件测试的局限性,展示AI如何通过自动化测试、智能缺陷识别和预测性维护来克服这些挑战。此外,我们还将讨论AI在测试过程中面临的伦理和安全挑战,以及如何应对这些挑战。通过综合分析,本文旨在为读者提供一个关于软件测试中人工智能应用的全面视角,强调其在提高效率和准确性方面的巨大潜力。
54 5
|
1月前
|
机器学习/深度学习 人工智能 自然语言处理
软件测试中的人工智能革命:挑战与机遇
在本文中,我们将深入探讨人工智能(AI)如何改变软件测试领域的基本面貌。从自动化测试的崭新可能性到提高测试效率和准确性的先进方法,我们将全面分析AI带来的各种挑战和机遇。通过具体案例和实践指南,希望为读者提供清晰的理解和应用方向。
48 2
|
1月前
|
机器学习/深度学习 人工智能 自然语言处理
软件测试中的人工智能革命:提升测试效率与质量的新篇章
随着人工智能技术的不断成熟,其在软件测试领域的应用正逐渐改变传统测试方式。本文将探讨AI在软件测试中的应用现状、优势以及面临的挑战,并通过具体案例分析展示AI如何提高测试效率和质量。最后,我们将讨论未来AI在软件测试中的发展趋势及其对人类测试工程师角色的影响。
145 4
|
2月前
|
机器学习/深度学习 人工智能 自然语言处理
软件测试中的人工智能革命
本文探讨了人工智能在软件测试中的应用,包括自动化测试、智能缺陷检测和测试用例生成。通过实际案例分析,展示了AI如何提高测试效率和准确性,并讨论了未来发展趋势。
36 9
|
2月前
|
人工智能 算法 测试技术
软件测试中的人工智能:提升测试效率与质量
随着软件开发的快速发展,传统的手工测试方法已经无法满足现代软件项目的需求。本文探讨了人工智能在软件测试中的应用,如何通过自动化测试、智能缺陷分析和测试用例生成等技术,提高测试效率和质量。我们将详细介绍这些技术的原理和实际应用,并讨论其带来的优势和挑战。
85 4