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
|
机器学习/深度学习 编解码 监控
目标检测实战(六): 使用YOLOv8完成对图像的目标检测任务(从数据准备到训练测试部署的完整流程)
这篇文章详细介绍了如何使用YOLOv8进行目标检测任务,包括环境搭建、数据准备、模型训练、验证测试以及模型转换等完整流程。
3252 1
目标检测实战(六): 使用YOLOv8完成对图像的目标检测任务(从数据准备到训练测试部署的完整流程)
|
1月前
|
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。
125 1
|
2月前
|
PyTorch 算法框架/工具 计算机视觉
目标检测实战(二):YoloV4-Tiny训练、测试、评估完整步骤
本文介绍了使用YOLOv4-Tiny进行目标检测的完整流程,包括模型介绍、代码下载、数据集处理、网络训练、预测和评估。
177 2
目标检测实战(二):YoloV4-Tiny训练、测试、评估完整步骤
|
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: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。
|
2月前
|
机器学习/深度学习 监控 计算机视觉
目标检测实战(八): 使用YOLOv7完成对图像的目标检测任务(从数据准备到训练测试部署的完整流程)
本文介绍了如何使用YOLOv7进行目标检测,包括环境搭建、数据集准备、模型训练、验证、测试以及常见错误的解决方法。YOLOv7以其高效性能和准确率在目标检测领域受到关注,适用于自动驾驶、安防监控等场景。文中提供了源码和论文链接,以及详细的步骤说明,适合深度学习实践者参考。
562 0
目标检测实战(八): 使用YOLOv7完成对图像的目标检测任务(从数据准备到训练测试部署的完整流程)
|
2月前
|
机器学习/深度学习 并行计算 数据可视化
目标分类笔记(二): 利用PaddleClas的框架来完成多标签分类任务(从数据准备到训练测试部署的完整流程)
这篇文章介绍了如何使用PaddleClas框架完成多标签分类任务,包括数据准备、环境搭建、模型训练、预测、评估等完整流程。
149 0
|
2月前
|
机器学习/深度学习 JSON 算法
语义分割笔记(二):DeepLab V3对图像进行分割(自定义数据集从零到一进行训练、验证和测试)
本文介绍了DeepLab V3在语义分割中的应用,包括数据集准备、模型训练、测试和评估,提供了代码和资源链接。
309 0
语义分割笔记(二):DeepLab V3对图像进行分割(自定义数据集从零到一进行训练、验证和测试)
|
2月前
|
机器学习/深度学习 数据采集 算法
目标分类笔记(一): 利用包含多个网络多种训练策略的框架来完成多目标分类任务(从数据准备到训练测试部署的完整流程)
这篇博客文章介绍了如何使用包含多个网络和多种训练策略的框架来完成多目标分类任务,涵盖了从数据准备到训练、测试和部署的完整流程,并提供了相关代码和配置文件。
66 0
目标分类笔记(一): 利用包含多个网络多种训练策略的框架来完成多目标分类任务(从数据准备到训练测试部署的完整流程)
|
2月前
|
机器学习/深度学习 XML 并行计算
目标检测实战(七): 使用YOLOX完成对图像的目标检测任务(从数据准备到训练测试部署的完整流程)
这篇文章介绍了如何使用YOLOX完成图像目标检测任务的完整流程,包括数据准备、模型训练、验证和测试。
242 0
目标检测实战(七): 使用YOLOX完成对图像的目标检测任务(从数据准备到训练测试部署的完整流程)
|
2月前
|
缓存 数据挖掘 测试技术
目标检测实战(三):YOLO-Nano训练、测试、验证详细步骤
本文介绍了YOLO-Nano在目标检测中的训练、测试及验证步骤。YOLO-Nano是一个轻量级目标检测模型,使用ShuffleNet-v2作为主干网络,结合FPN+PAN特征金字塔和NanoDet的检测头。文章详细说明了训练前的准备、源代码下载、数据集准备、参数调整、模型测试、FPS测试、VOC-map测试、模型训练、模型测试和验证等步骤,旨在帮助开发者高效实现目标检测任务。
66 0
目标检测实战(三):YOLO-Nano训练、测试、验证详细步骤