DL之RNN：人工智能为你写歌词(林夕写给陈奕迅)——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

你的背包

一个人过我 谁不属了

不甘心 不能回头

我的背包载管这个

谁让我们是要不可

但求跟你过一生

你把我灌醉

即使嘴角从来未爱我

煽到你脖子

谁能凭我的比我

无赏

其实我的一切麻痹 我听过

不能够大到

爱人没有用

你想去哪里

如果美好不变可以

我会珍惜我最爱

我想将

鼓励爱你的

为何爱你不到你

我会加油工作争取享受和拼搏

三餐加一宿光档也许会寂寞

你想将

双手的温暖附托是你不知

但无守没抱过

不影响你不敢哭

其实没有火花 没抱动

不能够沉重

从来未休疚不够你不会

请你　这些眼发后

没有手机的日子

2、test02

谁来请你坐

全为你分声不需可怕

没有人机有几敷衍过的

难道再侣 被不想去为你

不如这样

你不爱你的

没有人歌颂

全一边扶暖之远一天一百万人

拥有殿军我想到我多 你真爱

从来未爱我　我们在

我有我是我们憎我 我不属于我

我想将

你的背包

原来不能回到你一起

难道我是谁也爱你 要不属力 不知道明年今日

明年今日 不是我不得到

爱你的背上我要

从来未不肯会 就要你不有

我会拖手会不会

难道我跟我眼睛的错　

全为这世上谁是你

不够爱你的汗

谁能来我的比你闷

不具名的演员没得到手的故事

不够含泪一个人 这么迂会

我们在

3、test03

谁来请你坐

全为你分声不需可怕

没有人机有几敷衍过的

难道再侣 被不想去为你

不如这样

你不爱你的

没有人歌颂

全一边扶暖之远一天一百万人

拥有殿军我想到我多 你真爱

从来未爱我　我们在

我有我是我们憎我 我不属于我

我想将

你的背包

原来不能回到你一起

难道我是谁也爱你 要不属力 不知道明年今日

明年今日 不是我不得到

爱你的背上我要

从来未不肯会 就要你不有

我会拖手会不会

难道我跟我眼睛的错　

全为这世上谁是你

不够爱你的汗

谁能来我的比你闷

不具名的演员没得到手的故事

不够含泪一个人 这么迂会

我们在

模型监控

训练、测试过程全记录

1、训练过程

2018-10-14 07:31:33.515130: I tensorflow/core/platform/cpu_feature_guard.cc:141] Your CPU supports instructions that this TensorFlow binary was not compiled to use: AVX2

step: 10/10000...  loss: 5.9560...  0.1500 sec/batch

step: 20/10000...  loss: 5.8495...  0.1300 sec/batch

step: 30/10000...  loss: 5.6970...  0.1600 sec/batch

step: 40/10000...  loss: 5.5893...  0.1300 sec/batch

step: 50/10000...  loss: 5.4582...  0.1300 sec/batch

step: 60/10000...  loss: 5.3003...  0.1400 sec/batch

step: 70/10000...  loss: 5.2871...  0.1600 sec/batch

step: 80/10000...  loss: 5.3841...  0.1500 sec/batch

step: 90/10000...  loss: 5.2470...  0.1400 sec/batch

step: 100/10000...  loss: 5.3061...  0.1500 sec/batch

……

step: 950/10000...  loss: 4.0972...  0.1600 sec/batch

step: 960/10000...  loss: 3.9542...  0.1900 sec/batch

step: 970/10000...  loss: 4.0406...  0.1500 sec/batch

step: 980/10000...  loss: 4.1385...  0.1400 sec/batch

step: 990/10000...  loss: 3.9897...  0.1600 sec/batch

step: 1000/10000...  loss: 3.9653...  0.1400 sec/batch

step: 1010/10000...  loss: 4.0501...  0.1300 sec/batch

step: 1020/10000...  loss: 3.9391...  0.1200 sec/batch

step: 1030/10000...  loss: 4.1195...  0.1400 sec/batch

step: 1040/10000...  loss: 3.9310...  0.1300 sec/batch

step: 1050/10000...  loss: 3.8972...  0.1200 sec/batch

step: 1060/10000...  loss: 3.9801...  0.1200 sec/batch

step: 1070/10000...  loss: 4.0620...  0.1200 sec/batch

step: 1080/10000...  loss: 3.8817...  0.1200 sec/batch

step: 1090/10000...  loss: 3.9839...  0.1301 sec/batch

step: 1100/10000...  loss: 3.9646...  0.1479 sec/batch

……

step: 4980/10000...  loss: 2.8199...  0.1200 sec/batch

step: 4990/10000...  loss: 2.9057...  0.1200 sec/batch

step: 5000/10000...  loss: 2.8073...  0.1300 sec/batch

step: 5010/10000...  loss: 2.6680...  0.1200 sec/batch

step: 5020/10000...  loss: 2.7442...  0.1200 sec/batch

step: 5030/10000...  loss: 2.7590...  0.1300 sec/batch

step: 5040/10000...  loss: 2.6470...  0.1300 sec/batch

step: 5050/10000...  loss: 2.7808...  0.1200 sec/batch

step: 5060/10000...  loss: 2.7322...  0.1200 sec/batch

step: 5070/10000...  loss: 2.8775...  0.1200 sec/batch

step: 5080/10000...  loss: 2.8139...  0.1200 sec/batch

step: 5090/10000...  loss: 2.7857...  0.1200 sec/batch

step: 5100/10000...  loss: 2.7652...  0.1200 sec/batch

step: 5110/10000...  loss: 2.8216...  0.1200 sec/batch

step: 5120/10000...  loss: 2.8843...  0.1200 sec/batch

step: 5130/10000...  loss: 3.0093...  0.1300 sec/batch

step: 5140/10000...  loss: 2.7560...  0.1200 sec/batch

step: 5150/10000...  loss: 2.7263...  0.1200 sec/batch

step: 5160/10000...  loss: 2.8014...  0.1200 sec/batch

step: 5170/10000...  loss: 2.7410...  0.1200 sec/batch

step: 5180/10000...  loss: 2.7335...  0.1200 sec/batch

step: 5190/10000...  loss: 2.8362...  0.1200 sec/batch

step: 5200/10000...  loss: 2.6725...  0.1300 sec/batch

……

step: 9690/10000...  loss: 2.3264...  0.1463 sec/batch

step: 9700/10000...  loss: 2.5150...  0.1425 sec/batch

step: 9710/10000...  loss: 2.3348...  0.1200 sec/batch

step: 9720/10000...  loss: 2.4240...  0.1277 sec/batch

step: 9730/10000...  loss: 2.4282...  0.1293 sec/batch

step: 9740/10000...  loss: 2.5858...  0.1232 sec/batch

step: 9750/10000...  loss: 2.2951...  0.1305 sec/batch

step: 9760/10000...  loss: 2.3257...  0.1263 sec/batch

step: 9770/10000...  loss: 2.4495...  0.1253 sec/batch

step: 9780/10000...  loss: 2.4302...  0.1289 sec/batch

step: 9790/10000...  loss: 2.5102...  0.1299 sec/batch

step: 9800/10000...  loss: 2.8486...  0.1254 sec/batch

……

step: 9900/10000...  loss: 2.4408...  0.1330 sec/batch

step: 9910/10000...  loss: 2.5797...  0.1275 sec/batch

step: 9920/10000...  loss: 2.4788...  0.1384 sec/batch

step: 9930/10000...  loss: 2.3162...  0.1312 sec/batch

step: 9940/10000...  loss: 2.3753...  0.1324 sec/batch

step: 9950/10000...  loss: 2.5156...  0.1584 sec/batch

step: 9960/10000...  loss: 2.4312...  0.1558 sec/batch

step: 9970/10000...  loss: 2.3816...  0.1279 sec/batch

step: 9980/10000...  loss: 2.3760...  0.1293 sec/batch

step: 9990/10000...  loss: 2.3829...  0.1315 sec/batch

step: 10000/10000...  loss: 2.3973...  0.1337 sec/batch

训练的数据集

1、训练的数据集为林夕写给陈奕迅的歌词，来源于网络

陈奕迅 - 梦想天空分外蓝

一天天的生活

一边怀念 一边体验

刚刚说了再见 又再见

一段段的故事

一边回顾 一边向前

别人的情节总有我的画面

只要有心就能看见

从白云看到 不变蓝天

从风雨寻回 梦的起点

海阔天空的颜色

就像梦想那么耀眼

用心就能看见

从陌生的脸 看到明天

从熟悉经典 翻出新篇

过眼的不只云烟

有梦就有蓝天

相信就能看见

美梦是个气球

签在手上 向往蓝天

不管高低不曾远离 我视线

生命是个舞台

不用排练 尽情表演

感动过的片段百看不厌

只要有心就能看见

从白云看到 不变蓝天

从风雨寻回 梦的起点

海阔天空的颜色

就像梦想那么耀眼

用心就能看见

从陌生的脸 看到明天

从熟悉经典 翻出新篇

过眼的不只云烟

相信梦想就能看见

有太多一面之缘 值得被留恋

总有感动的事 等待被发现

梦想天空分外蓝 今夕何年

Oh 看不厌

用心就能看见

从白云看到 不变蓝天

从风雨寻回 梦的起点

海阔天空的颜色

就像梦想那么耀眼

用心就能看见

从陌生的脸 看到明天

从熟悉经典 翻出新篇

过眼的不只云烟

有梦就有蓝天

相信就能看见

美梦是个气球

签在手上 向往蓝天

不管高低不曾远离 我视线

梦想是个诺言

记在心上 写在面前

因为相信 所以我看得见