循环神经网络归属：
循环神经网络实际应用：
RNN循环神经网络的使用：
8. 定义数据，随机选择训练的文本
9. 使用TensorFlow机器学习框架，定义RNN的基本单元RNNCell抽象类
10. 普通的RNN使用BasicRNNCell类，在改进RNN（LSTM）中使用BasicLSTMCell类
11. RNN堆叠，实现循环输入，处理序列化问题，多次调用RNNCell的call方法
12. 定义模型中的一些的参数（损失，embedding稠密向量）
13. 执行训练
14. 查看日志，得到训练结果 转化为可视化效果图
模型的实现：
模型的结果：
我训练的数据是从网上随意寻找的关于米老师的报道，第一次训练的样本较小，当训练轮次为100、1000、10000时的效果为
第二次训练的样本较小，当训练轮次为100、1000、10000时的效果为
除此之外，还验证了一些关于歌词，诗歌，linux源码，英文对话
【这些是网上有人训练过的，我只是执行不同轮次的训练，看模型的输出会有什么不一样，发现了一些有意思的东西】
最终的结论：
文本量越大，循环的次数越多，自动生成的文本效果越好
对比中英文的结果，可以看出输入的文本越是词法完整，语义清晰，语法无误，相关性强，机器自动生成的文本效果就越好。
本文链接：http://task.lmcjl.com/news/5943.html
