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