【AI达人创造营第二期】基于LSTM的现代诗生成器

---

本项目利用LSTM模型实现现代诗自动生成，解决个人创作难题。数据集含约2000首爬取的现代情诗，另混合部分古诗补充数据量。采用LSTM模型，其通过逻辑门优化长文本语义理解。项目含训练与使用文件，models文件夹存两种风格模型。加载模型时，输入前缀和开头即可生成诗句，虽部分内容语义模糊，但能生成连贯文本，实现核心功能。

☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜

基于LSTM自动生成现代诗

数据集使用

本项目一共使用了两个数据集。

1. 现代情诗的数据集，是我通过网络爬虫爬取的现代诗，大致有2000首。
2. 古诗集数据，考虑到数据集1的仅有0.5M，数据量较少，所以混合了部分古诗数据进行训练。

LSTM模型简介

LSTM是一种非常流行的循环神经网络，相比较于simpleRNN对于较长的句子理解能力较差（因为RNN不加选择地更新ceil state，导致对于前文地信息地丢失），而LSTM通过增加四个逻辑门，有选择地更新ceil state，这使得LSTM对于长文本语义理解上下推断有着更加好地效果。 具体地原理有很多大佬讲过，大家可以看看这份写的相当透彻的Understanding LSTM network。

简小派

简小派是一款AI原生求职工具，通过简历优化、岗位匹配、项目生成、模拟面试与智能投递，全链路提升求职成功率，帮助普通人更快拿到更好的 offer。

123 查看详情

效果演示

我寄愁心与明月 一棵落落山染来 我沿着一匹回银花的曲子高走短过的那样 我已是那么都在秋天 没有停动地流动一根线儿 一个人在他的身口里 你的手里还在我的身送面指成远 我不成日亮 你不会把彼此装上

我寄愁心与明月。都将别，一回一回，莫问无情何。

无事无人知，无生无与非

模型训练和模型评估

详细的训练流程在参见model_LSTM.ipynb，其中很全面地写了注释和核心思想。

文件组织

• main.ipynb可以直接拿过来玩，自动加载训练好的模型
• model_LSTM.ipynb是训练文件，写了详细的注释，调用它则可以训练自己的模型。
• 【静态图测试】文件夹被废弃了。。。原本打算导出静态图模型但遇到了一点点问题，挖个坑回头解决
• 【models】文件夹存放了不同数量样本训练好的两个模型，可以直接调用
• 【vocab】文件夹存放用于制作词汇表的数据

加载模型进行测试

In [1]

# 导入相关依赖from paddle.io import Datasetimport paddle.fluid as fluidimport numpy as npimport paddleimport paddle.nnfrom paddlenlp.embeddings import TokenEmbeddingfrom paddlenlp.data import JiebaTokenizer,Vocabimport visualdl

In [3]

# 定义超参数class Config(object):
    # version = 'models/version1-modern/version1.pdparams' # 现代诗风格
    version = 'models/version2-ancient/version2.pdparams' # 古体诗风格
    maxl = 120
    filepath = "vocab/poems_without_title.txt"
    filepath2 = "vocab/poems_zh.txt"
    embedding_dim = 300
    hidden_dim = 512
    num_layers = 3

    max_gen_len = 150
    prefix = "爱你一生一世" # 前置风格，可以调整生成文本的风格
    beginning = "陪伴是最长情的告白" # 需要给出诗篇的开头，模型进行续写config = Config()

In [4]

# 加载词汇表vocabdic = {'[PAD]':0,'<start>':1,'<end>':2,'[UNK]':3}
cnt=4with open (config.filepath) as fp:    for line in fp:        for char in line:            if char not in dic:
                dic[char] = cnt
                cnt+=1with open (config.filepath2) as fp:    for line in fp:        for char in line:            if char not in dic:
                dic[char] = cnt
                cnt+=1vocab = Vocab.from_dict(dic,unk_token='[UNK]')

In [5]

# 加载模型class Poetry(paddle.nn.Layer):
    def __init__(self,vocab_size,embedding_dim,hidden_dim):
        super().__init__()
        self.embeddings = paddle.nn.Embedding(vocab_size,embedding_dim)
        self.lstm = paddle.nn.LSTM(
            input_size=embedding_dim,
            hidden_size=hidden_dim,
            num_layers=config.num_layers,
        )
        self.linear = paddle.nn.Linear(in_features=hidden_dim,out_features=vocab_size)    def forward(self,input,hidden=None):
        batch_size, seq_len = paddle.shape(input)
        embeds = self.embeddings(input)        if hidden is None:
            output,hidden = self.lstm(embeds)        else:
            output,hidden = self.lstm(embeds,hidden)
        output = paddle.reshape(output,[seq_len*batch_size,Config.hidden_dim])
        output = self.linear(output)        return output,hidden

poetry = Poetry(len(vocab),config.embedding_dim,config.hidden_dim)
poetry.set_state_dict(paddle.load(config.version))

In [6]

results = [i for i in config.beginning]
start_words_len = len(results)input = (paddle.to_tensor(vocab("<start>"))).reshape([1,1])
hidden = Noneif config.prefix:
    words = [i for i in config.prefix]    for word in words:
        _, hidden = poetry(input, hidden)        input = (paddle.to_tensor(vocab(word))).reshape([1,1])for i in range(config.max_gen_len):
    output, hidden = poetry(input, hidden)    if i < start_words_len:
        word = results[i]        input = (paddle.to_tensor(vocab(word))).reshape([1,1])    else:
        _,top_index = paddle.fluid.layers.topk(output[0],k=1)
        top_index = top_index.item()
        word = vocab.to_tokens(top_index)
        results.append(word)        input = paddle.to_tensor([top_index])        input = paddle.reshape(input,[1,1])    if word == '<end>':        del results[-1]        breakresults = ''.join(results)print(results)

以上就是【AI达人创造营第二期】基于LSTM的现代诗生成器的详细内容，更多请关注其它相关文章！

# poe  # 南头软件网站优化  # 大佬  # 来袭  # 营收  # 自动生成  # 写了  # 中文网  # 词汇表  # 第二期  # 达人  # 加载  # fig  # ai  # 株洲营销型网站推广系统  # 网站建设方法和过程  # 德化网站建设报价  # 河池外贸网站推广  # 网站优化的费用报价  # 女装牛仔裤关键词排名  # 溧阳seo优化  # 台州网站推广关键词优化  # 福田最好的网站优化计划 

相关栏目： 【 Google疑问12 】 【 Facebook疑问10 】 【 优化推广96088 】 【 技术知识133117 】 【 IDC资讯59369 】 【 网络运营7196 】 【 IT资讯61894 】

相关推荐： 厂商陆续公布AI进展 完美世界游戏展示复合应用AI in GamePlay  中兴通讯无人机高空基站助力北京门头沟受灾乡镇保障应急通信  生成式AI引路产业加速来袭，微美全息探索“AIGC+虚拟人”融合应用  吉林首例！机器人辅助下搭桥手术成功实施  微软bing聊天推出AI购物工具 可进行比价并查看历史最低价  周星驰支持的人工智能与 Web3 初创公司 Moonbox 完成 100 万美元融资  鸿蒙智能座舱的AI大模型革新，引领智能座舱领域的变革吗？  首个算网生态体！中国移动元宇宙产业联盟正式成立  人工智能助力林草行业高质量发展  2025世界人工智能大会（上海）开幕式纪要  AI 模型 Stable Diffusion 升级：正常生成五指、图像更逼真  人工智能在重症监护室的未来  美图公司吴欣鸿：AI技术重构影像产业  昆仑万维与全球领先的元宇宙公司Meta达成商务合作，共同认可昆仑万维在XR领域的技术实力  RoboNeo安装教程  讯飞听见会写“会议摘要”功能全面升级，AI更懂你的关注点  华为AI大模型将融入HarmonyOS 4  学而思推出AI第一课：基于自研大模型的AIGC课程  世界上第一个完全由人工智能驱动的图像编辑器！  昇思开源社区理事会成立，基于昇思AI框架的全模态大模型“紫东.太初2.0”发布  自动驾驶汽车避障、路径规划和控制技术详解  微软推出人工智能模型 CoDi，可互动和生成多模态内容  中国联通发布图文AI大模型，可实现以文生图、视频剪辑  数字彩排、虚拟建厂！这家顶级洗衣机工厂敲开“工业元宇宙”之门  Nature封面：量子计算机离实际应用还有两年  IBM 与 NASA 携手开源地理空间 AI 模型，促进气候科学研究进步  借力AI！PCB全球巨头，有爆发潜质吗？  有 ARM 和 X86 两个版本，香橙派游戏掌机细节曝光  改变城市交通：智慧城市中的智能交通  360发布AI数字人广场，可同孙悟空、爱因斯坦等古今中外角色对话  靠游戏更靠AI 英伟达成唯一首季度两位数增长的公司  尼康尼克尔 Z 180-600mm f/5.6-6.3 VR 镜头发布，12499 元  实现人工智能和物联网的协同运作  消息称苹果 iPhone 15 系列健康应用将深度融合 AI 技术  插画师对AI绘画软件的态度是怎样的？  埃森哲俞毅：AI时代我们需要新的“摩尔定律”  洞穴探险神器？可自主导航的单旋翼自旋无人机，效率更高！  马斯克回应人工智能拯救世界：人类已处于“半机器人”状态  速途网络成立“人工智能专家委员会”5位中美博士加盟  Meta发布语音AI模型 Voicebox 助虚拟助手与NPC对话  美军AI无人机“误杀”操作员，人工智能要在军事领域毁灭人类？  1.6亿美元收购Singularity AI，昆仑万维布局通用人工智能  人工智能创作的“婴儿版超级英雄”，你觉得哪个最可爱  IBM将模拟计算用于人工智能，重塑AI计算  国内首款大尺寸仿鸵双足机器人“大圣”亮相，穿戴红色战袍  AI无法对传统文化符号进行解构和创新  微软Xbox称VR和AR还需要时间 先玩大的  Transformer六周年：当年连NeurIPS Oral都没拿到，8位作者已创办数家AI独角兽  AI连线 | 专访风平智能CEO林洪祥：让AI数字人拥有漂亮的外表和有趣的灵魂，安全问题是重要考量  谷歌推出 SAIF 框架，倡导安全环境下探索和发展人工智能 

 2025-07-17