Le LSTM古诗词生成
一、简介
基于LSTM的古诗词生成，设计神经网络模型，使模型学习数据是6291首古诗，没有专门的验证数据和测试数据，感觉不会预测正确。边学习边生成古诗，从生成的古诗来看学习的效果。
涉及到的模块有Pytorch、Dataset、word2vec、LSTM。
二、处理流程
2.1字向量训练（Wordvec）
主要是把字、标点符号转换成向量，以使计算机认识，然后存储为pkl文件，以供后续训练时调用。
2.2封装数据（Dataset、DataLoader）
主要工作是将字向量进行提取、封装、打包，放在2.3的模型中去训练，承接连接2.1和2.3的工作。
2.3组合模型 （LSTM+Linear）
我们使用的pytorch的一些函数。组合我们自己的模型，用到的有nn.LSTM、nn.Dropout、nn.Linear、nn.CrossEntropyLoss
2.4训练开始
设置一些超参数，调用已经处理为向量封装好的模型进行训练。超参数包含学习率，epoch轮次等。
2.5生成古诗
训练的时候想要看到训练的效果如何，在训练的时候就调用生成古诗函数，边训练边生成古诗，可以看到生成的古诗会越来越好。下图是古诗词生成的原理图。
三、代码实现
3.1 数据预处理
这部分主要对数据文件进行读取、预处理等，以符合训练数据的要求进行训练，处理后的文件保存为新文件。
以下是代码：
接下来是读取处理后的数据文件，把数据转换为向量，然后保存参数模型。
以下是代码：
创建MyDataset类，继承Dataset类，重写三个函数，def init(），def getitem()，def len():。Getitem()函数主要是对向量数据进行处理操作，以符合生成古诗词模型时对数据的调用。
以下是代码：
3.2 创建网络模型
创建MyModel网络模型，继承nn.model。该类主要有三个函数，init()、forward()、to_train()。
Init()函数代码：
Forward()函数代码：
To_train()函数代码：
3.3、古诗词生成
这里先随机生成一个字，然后开始预测后边的字，选择概率最高的确定为下一个字，然后并以此为当前字继续预测下一个字，以此类推最终生成一首诗。
3.4、主函数
主函数主要是设置一些超参数（学习率、epoch轮次、batch_size、hidden_num）、创建数据类、创建神经网络模型并调用。
四、运行结果
可以看到已经经过训练，模型自己已经可以生成正确格式的诗句了，具体诗句的含义和押韵还有待提高
[1] 斋藤康毅.深度学习入门[M].人民邮电出版社，2018.
