我們分析了超過(guò)50萬(wàn)首詩(shī)歌，教你用代碼寫(xiě)詩(shī)（附代碼）

本文作者： AI研習(xí)社-譯站

2018-03-08 11:36

導(dǎo)語(yǔ)：我能用代碼寫(xiě)詩(shī)嗎？我可不可以做一個(gè)可以寫(xiě)出原創(chuàng)詩(shī)歌的機(jī)器人？為了找出方法，我做了一個(gè)實(shí)驗(yàn)。

本文為雷鋒字幕組編譯的技術(shù)博客，原標(biāo)題To a Poem is a Bott the Stranger，作者 Carly Stambaugh。

翻譯 | 于澤平馬雪潔整理 | 凡江編輯 | 吳璇

代碼即詩(shī)歌。這是WordPress軟件的哲學(xué)。

作為一位程序員和詩(shī)人，我一直很喜歡這句話。我決定換種方式思考這句話。

我想問(wèn)，我能用代碼寫(xiě)詩(shī)嗎？我可不可以做一個(gè)可以寫(xiě)出原創(chuàng)詩(shī)歌的機(jī)器人？為了找出方法，我做了一個(gè)實(shí)驗(yàn)。

首先，我知道如果我的機(jī)器人想寫(xiě)詩(shī)，首先要讓它讀詩(shī)。2017年，許多作者用WordPress發(fā)表了超過(guò)50萬(wàn)個(gè)標(biāo)簽為詩(shī)歌的帖子。我聯(lián)系了一些寫(xiě)了許多詩(shī)的詩(shī)人，并問(wèn)他們是否愿意和我一起進(jìn)行一個(gè)有趣的實(shí)驗(yàn)：他們是否允許我的機(jī)器人讀他們的作品，讓它可以從中學(xué)習(xí)出詩(shī)歌的形式和結(jié)構(gòu)，從而可能學(xué)會(huì)自己寫(xiě)詩(shī)？特別感謝這些為了科學(xué)而合作的很棒的作家們！

邊緣之O - Robert Okaji
沃爾夫的詩(shī) - Linda J. Wolff
詩(shī)歌，散文與散步 - Frank Hubeny
生命的視角，宇宙和萬(wàn)物 - Aurangzeb Bozdar

什么是LSTM，它如何生成文本？

我使用一種名為L(zhǎng)STM的神經(jīng)網(wǎng)絡(luò)創(chuàng)建我的機(jī)器人，它也叫作長(zhǎng)短期記憶網(wǎng)絡(luò)。神經(jīng)網(wǎng)絡(luò)使用“層”將問(wèn)題分解為許多小問(wèn)題。

舉個(gè)例子，假設(shè)你正在訓(xùn)練一個(gè)可以識(shí)別正方形的神經(jīng)網(wǎng)絡(luò)。可能一個(gè)層負(fù)責(zé)識(shí)別直角，另一個(gè)層負(fù)責(zé)識(shí)別平行邊。它們同時(shí)存在時(shí)圖像才是正方形。神經(jīng)網(wǎng)絡(luò)通過(guò)訓(xùn)練數(shù)百萬(wàn)張正方形圖像，從中學(xué)習(xí)到這些層。它可以學(xué)習(xí)到圖像中的哪些方面對(duì)于識(shí)別正方形是重要的，哪些是不重要的。

現(xiàn)在假設(shè)你用一個(gè)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)這個(gè)序列的下一個(gè)字母：

th_

作為一個(gè)普通人，這個(gè)任務(wù)真是太簡(jiǎn)單了。你會(huì)猜e，我打賭，如果你會(huì)說(shuō)英文，你肯定不會(huì)猜q。因?yàn)槟阒涝谟⑽闹衪h后面不會(huì)接q。前面的字母和預(yù)測(cè)的接下來(lái)的字母關(guān)聯(lián)性非常強(qiáng)。LSTM可以“記住”以前的狀態(tài)并以此作出當(dāng)前的決定。如果想深入了解LSTM是如何工作的，可以查看這個(gè)很贊的帖子，作者是谷歌大腦的Chris Olah。

與許多用LSTM生成文本的例子相同，機(jī)器人生成文本時(shí)每一時(shí)刻生成一個(gè)字符。想要把單詞聚集成有意義的詩(shī)句，首先它要學(xué)會(huì)如何產(chǎn)生單詞。為了達(dá)到這個(gè)目標(biāo)，它需要數(shù)百萬(wàn)個(gè)包含有效單詞的序列例子。有一件好事就是：WordPress有很多詩(shī)歌！

準(zhǔn)備數(shù)據(jù)集

我從上面的鏈接中獲得了所有的詩(shī)歌。我使用一個(gè)很簡(jiǎn)單的規(guī)則，通過(guò)判斷每個(gè)字符\n對(duì)應(yīng)多少個(gè)單詞判斷文本是否是詩(shī)歌。如果文本有許多單詞但字符\n很少，它可能是一段或多段文字的集合。相反地，如果同樣的文本有許多行，那么它是詩(shī)歌的可能性更大。

當(dāng)然，這是一個(gè)很簡(jiǎn)單的方法，我能想出來(lái)很多好詩(shī)并不符合這樣的測(cè)試方法！但為了這個(gè)實(shí)驗(yàn)的目的，我特別感興趣的是LSTM是否可以學(xué)習(xí)出如斷行和節(jié)奏等結(jié)構(gòu)特點(diǎn)，以及詩(shī)歌中包含的押韻、諧音、頭韻等特點(diǎn)。所以，把訓(xùn)練數(shù)據(jù)限制在有結(jié)構(gòu)的詩(shī)歌中是有道理的。

如果一段文本被判斷為一首詩(shī)，我把它寫(xiě)到一個(gè)文件中，用++++\n作為前綴，表示一首新詩(shī)歌的開(kāi)始。最終獲得了500KB的訓(xùn)練數(shù)據(jù)。通常，我嘗試訓(xùn)練LSTM時(shí)都要用至少1MB的數(shù)據(jù)集，因此我需要尋找更多的詩(shī)歌！我在去年發(fā)表的標(biāo)簽為詩(shī)歌的公共帖子中隨機(jī)選擇樣本作為特色詩(shī)人的補(bǔ)充。如果你在WordPress中點(diǎn)擊過(guò)詩(shī)歌這一標(biāo)簽，你可能會(huì)發(fā)現(xiàn)你對(duì)它們很熟悉。我在每一個(gè)作者中選擇一個(gè)帖子作為詩(shī)歌。

訓(xùn)練LSTM網(wǎng)絡(luò)

當(dāng)我獲得1MB的詩(shī)歌時(shí)，我開(kāi)始建立LSTM網(wǎng)絡(luò)。我使用Python中的keras工具建立神經(jīng)網(wǎng)絡(luò)，keras的GitHub中有許多例子，可以幫助你學(xué)習(xí)使用幾種不同類(lèi)型的神經(jīng)網(wǎng)絡(luò)，其中有一個(gè)例子就是使用LSTM生成文本。我在這個(gè)例子后貼出了我的代碼，并開(kāi)始嘗試不同的模型配置。模型的目標(biāo)是生成原始的詩(shī)歌。在這個(gè)例子中，過(guò)擬合--將訓(xùn)練數(shù)據(jù)學(xué)習(xí)得太好以至于模型無(wú)法概括數(shù)據(jù)的特點(diǎn)--會(huì)使生成的文本和輸入文本非常相似。（這就像剽竊一樣，沒(méi)有詩(shī)人喜歡這樣！）避免過(guò)擬合的一種方式是在網(wǎng)絡(luò)中添加dropout。它迫使在每一步驟中有隨機(jī)權(quán)重下降到0。這有點(diǎn)像強(qiáng)迫網(wǎng)絡(luò)“忘記”一些它剛剛學(xué)到的東西。（為了防止詩(shī)人的作品沒(méi)有被機(jī)器人復(fù)制，我增加了額外的后期檢查。）

我使用FloydHub的GPU完成訓(xùn)練我的網(wǎng)絡(luò)這一繁重工作。這使我可以用比我的筆記本電腦快10倍的速度訓(xùn)練我的網(wǎng)絡(luò)。我的第一個(gè)網(wǎng)絡(luò)使用一個(gè)LSTM層，后面接入一個(gè)dropout層。這真的產(chǎn)生了像詩(shī)歌的文本！它有斷行和闋，幾乎所有的字符組合都是真正的單詞。有時(shí)整句話略微一致，事實(shí)上，第一個(gè)迭代后產(chǎn)生了這句如寶石般精彩的話：

我們分析了超過(guò)50萬(wàn)首詩(shī)歌，教你用代碼寫(xiě)詩(shī)（附代碼）

添加LSTM層，在每一層中試驗(yàn)dropout的參數(shù)，直到最終獲得了下面的模型。最終選擇使用3個(gè)LSTM層，因?yàn)樵僭黾訉訑?shù)會(huì)讓訓(xùn)練時(shí)間變得不合理，而且3層的結(jié)果已經(jīng)很不錯(cuò)了。

model = Sequential()
model.add(LSTM(300, input_shape=(maxlen, len(chars)), return_sequences=True, dropout=
20, recurrent_dropout=.20))
model.add(LSTM(300, return_sequences=True, dropout=.20, recurrent_dropout=.20))
model.add(LSTM(300, dropout=.20, recurrent_dropout=.20))
model.add(Dropout(.20))
model.add(Dense(len(chars)))
model.add(Activation('softmax'))
model.compile(loss='categorical_crossentropy', optimizer='adam')

這是一張圖表，對(duì)比了增加不同LSTM層的模型對(duì)應(yīng)的損失曲線。

我們分析了超過(guò)50萬(wàn)首詩(shī)歌，教你用代碼寫(xiě)詩(shī)（附代碼）

網(wǎng)絡(luò)中LSTM層數(shù)越多，驗(yàn)證損失下降的速率就越快。

哎呀！尖峰！表明這種情況通常發(fā)生在使用adam作為優(yōu)化器時(shí)。注意到在網(wǎng)絡(luò)中增加LSTM層數(shù)時(shí)，模型的驗(yàn)證損失下降得更多，而且下降的速率也更快。這意味著遍歷更少的epoch就可以收斂，但增加LSTM層也增加了每一個(gè)epoch的訓(xùn)練時(shí)間。網(wǎng)絡(luò)中有一層LSTM時(shí)，訓(xùn)練一個(gè)epoch需要大約600秒，全部訓(xùn)練結(jié)束需要一夜。然而，3個(gè)LSTM層的網(wǎng)絡(luò)訓(xùn)練一個(gè)epoch需要7000秒，完成訓(xùn)練需要幾天。因此，驗(yàn)證損失下降得更快并不意味著更快得到結(jié)果。但在我看來(lái)，即使訓(xùn)練時(shí)間很長(zhǎng)，3個(gè)LSTM層的網(wǎng)絡(luò)得到了最好的詩(shī)歌。

生成詩(shī)歌

為了產(chǎn)生完全原創(chuàng)的文本，也需要改變生成文本的方式。在keras的例子中，這個(gè)例子從訓(xùn)練數(shù)據(jù)中選擇一個(gè)隨機(jī)的字符序列作為種子，輸入到訓(xùn)練好的網(wǎng)絡(luò)中。我要的是一個(gè)可以自己寫(xiě)詩(shī)的機(jī)器人，而不是完成其他詩(shī)人的提示！因此，我在文本生成步驟中嘗試了不同的種子。因?yàn)槲抑霸谟?xùn)練集中使用++++\n作為每首詩(shī)歌的開(kāi)始，我認(rèn)為它可以創(chuàng)作出原始的詩(shī)歌。然而結(jié)果是\n，_，.和&的無(wú)意義的組合。

經(jīng)過(guò)一些嘗試和失敗之后，我發(fā)現(xiàn)種子序列需要與訓(xùn)練序列具有相同數(shù)量的字符，這在事后看起來(lái)是顯而易見(jiàn)的！最終，我使用300個(gè)字符的序列，我將++++\n重復(fù)到300個(gè)字符作為種子，機(jī)器人可以通過(guò)偶爾將++++\n分開(kāi)以此生成每一輪詩(shī)歌。

劇本產(chǎn)生新一輪詩(shī)歌后，進(jìn)行了最后的抄襲檢查。因此，首先在訓(xùn)練集中創(chuàng)建了所有獨(dú)特的4-grams（包含4個(gè)詞的短語(yǔ)）的集合，且對(duì)機(jī)器人詩(shī)歌創(chuàng)建相同集。計(jì)算兩集之間的交集。為驗(yàn)證實(shí)驗(yàn)?zāi)康?，手?dòng)檢查了4-grams，以確保在兩個(gè)集合中出現(xiàn)的短語(yǔ)為inane。通常情況下，這個(gè)交點(diǎn)包含如下內(nèi)容：

我不想要
我不能夠
我想成為
…的聲音

然后重復(fù)這個(gè)過(guò)程，使用5-grams和6-grams進(jìn)行良好測(cè)量。若要使該過(guò)程自動(dòng)化，可能會(huì)采取一種基頻法，排除在多個(gè)著作中常見(jiàn)的n-gram，認(rèn)為是剽竊的情況。

詩(shī)歌！

每個(gè)時(shí)期輸出模型權(quán)重意味著我們可以在訓(xùn)練期間的幾個(gè)點(diǎn)上加載模型快照?；仡欁詈竽Ｐ偷脑缙跁r(shí)代，明顯機(jī)器人掉線很快。期望可以將其用于設(shè)計(jì)上，訓(xùn)練數(shù)據(jù)最顯著的特征是每行幾個(gè)字符。下面是一個(gè)例子，訓(xùn)練結(jié)束后生成的詩(shī)歌：

眉頭緊皺魔杖，一me一me
你會(huì)我們穿著和咬
在什么叫什么東西你所有的勇敢

它已經(jīng)學(xué)到了一些實(shí)際的詞語(yǔ)，并且模仿了每行之間空行的慣例。從遠(yuǎn)處看，如果你不仔細(xì)看，看起來(lái)的確像是一首詩(shī)！在單個(gè)LSTM模型的損失收斂之后，模型學(xué)習(xí)了斷節(jié)和斷行，甚至展示一些常見(jiàn)的詩(shī)歌性重復(fù)。