我們分析了超過50萬首詩歌，教你用代碼寫詩（附代碼）
代碼即詩歌。這是WordPress軟件的哲學。
作為一位程序員和詩人，我一直很喜歡這句話。我決定換種方式思考這句話。
我想問，我能用代碼寫詩嗎?我可不可以做一個可以寫出原創(chuàng)詩歌的機器人?為了找出方法，我做了一個實驗。
首先，我知道如果我的機器人想寫詩，首先要讓它讀詩。2017年，許多作者用WordPress發(fā)表了超過50萬個標簽為詩歌的帖子。我聯(lián)系了一些寫了許多詩的詩人，并問他們是否愿意和我一起進行一個有趣的實驗：他們是否允許我的機器人讀他們的作品，讓它可以從中學習出詩歌的形式和結(jié)構(gòu)，從而可能學會自己寫詩?特別感謝這些為了科學而合作的很棒的作家們!
- 邊緣之O - Robert Okaji
- 沃爾夫的詩 - Linda J. Wolff
- 詩歌，散文與散步 - Frank Hubeny
- 生命的視角，宇宙和萬物 - Aurangzeb Bozdar
什么是LSTM，它如何生成文本?
我使用一種名為LSTM的神經(jīng)網(wǎng)絡(luò)創(chuàng)建我的機器人，它也叫作長短期記憶網(wǎng)絡(luò)。神經(jīng)網(wǎng)絡(luò)使用“層”將問題分解為許多小問題。
舉個例子，假設(shè)你正在訓練一個可以識別正方形的神經(jīng)網(wǎng)絡(luò)?？赡芤粋€層負責識別直角，另一個層負責識別平行邊。它們同時存在時圖像才是正方形。神經(jīng)網(wǎng)絡(luò)通過訓練數(shù)百萬張正方形圖像，從中學習到這些層。它可以學習到圖像中的哪些方面對于識別正方形是重要的，哪些是不重要的。
現(xiàn)在假設(shè)你用一個神經(jīng)網(wǎng)絡(luò)預測這個序列的下一個字母：
- th_
作為一個普通人，這個任務(wù)真是太簡單了。你會猜e，我打賭，如果你會說英文，你肯定不會猜q。因為你知道在英文中th后面不會接q。前面的字母和預測的接下來的字母關(guān)聯(lián)性非常強。LSTM可以“記住”以前的狀態(tài)并以此作出當前的決定。如果想深入了解LSTM是如何工作的，可以查看這個很贊的帖子，作者是谷歌大腦的Chris Olah。
與許多用LSTM生成文本的例子相同，機器人生成文本時每一時刻生成一個字符。想要把單詞聚集成有意義的詩句，首先它要學會如何產(chǎn)生單詞。為了達到這個目標，它需要數(shù)百萬個包含有效單詞的序列例子。有一件好事就是：WordPress有很多詩歌!
準備數(shù)據(jù)集
我從上面的鏈接中獲得了所有的詩歌。我使用一個很簡單的規(guī)則，通過判斷每個字符\n對應多少個單詞判斷文本是否是詩歌。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，那么它是詩歌的可能性更大。
當然，這是一個很簡單的方法，我能想出來很多好詩并不符合這樣的測試方法!但為了這個實驗的目的，我特別感興趣的是LSTM是否可以學習出如斷行和節(jié)奏等結(jié)構(gòu)特點，以及詩歌中包含的押韻、諧音、頭韻等特點。所以，把訓練數(shù)據(jù)限制在有結(jié)構(gòu)的詩歌中是有道理的。
如果一段文本被判斷為一首詩，我把它寫到一個文件中，用++++\n作為前綴，表示一首新詩歌的開始。最終獲得了500KB的訓練數(shù)據(jù)。通常，我嘗試訓練LSTM時都要用至少1MB的數(shù)據(jù)集，因此我需要尋找更多的詩歌!我在去年發(fā)表的標簽為詩歌的公共帖子中隨機選擇樣本作為特色詩人的補充。如果你在WordPress中點擊過詩歌這一標簽，你可能會發(fā)現(xiàn)你對它們很熟悉。我在每一個作者中選擇一個帖子作為詩歌。
訓練LSTM網(wǎng)絡(luò)
當我獲得1MB的詩歌時，我開始建立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，可以幫助你學習使用幾種不同類型的神經(jīng)網(wǎng)絡(luò)，其中有一個例子就是使用LSTM生成文本。我在這個例子后貼出了我的代碼，并開始嘗試不同的模型配置。模型的目標是生成原始的詩歌。在這個例子中，過擬合--將訓練數(shù)據(jù)學習得太好以至于模型無法概括數(shù)據(jù)的特點--會使生成的文本和輸入文本非常相似。(這就像剽竊一樣，沒有詩人喜歡這樣!)避免過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權(quán)重下降到0。這有點像強迫網(wǎng)絡(luò)“忘記”一些它剛剛學到的東西。(為了防止詩人的作品沒有被機器人復制，我增加了額外的后期檢查。)
我使用FloydHub的GPU完成訓練我的網(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倍的速度訓練我的網(wǎng)絡(luò)。我的***個網(wǎng)絡(luò)使用一個LSTM層，后面接入一個dropout層。這真的產(chǎn)生了像詩歌的文本!它有斷行和闋，幾乎所有的字符組合都是真正的單詞。有時整句話略微一致，事實上，***個迭代后產(chǎn)生了這句如寶石般精彩的話：
添加LSTM層，在每一層中試驗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LSTM層，因為再增加層數(shù)會讓訓練時間變得不合理，而且3層的結(jié)果已經(jīng)很不錯了。
- 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，對比了增加不同LSTM層的模型對應的損失曲線。
網(wǎng)絡(luò)中LSTM層數(shù)越多，驗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。注意到在網(wǎng)絡(luò)中增加LSTM層數(shù)時，模型的驗證損失下降得更多，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epoch的訓練時間。網(wǎng)絡(luò)中有一層LSTM時，訓練一個epoch需要大約600秒，全部訓練結(jié)束需要一夜。然而，3個LSTM層的網(wǎng)絡(luò)訓練一個epoch需要7000秒，完成訓練需要幾天。因此，驗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，即使訓練時間很長，3個LSTM層的網(wǎng)絡(luò)得到了***的詩歌。
生成詩歌
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，這個例子從訓練數(shù)據(jù)中選擇一個隨機的字符序列作為種子，輸入到訓練好的網(wǎng)絡(luò)中。我要的是一個可以自己寫詩的機器人，而不是完成其他詩人的提示!因此，我在文本生成步驟中嘗試了不同的種子。因為我之前在訓練集中使用++++\n作為每首詩歌的開始，我認為它可以創(chuàng)作出原始的詩歌。然而結(jié)果是\n，_，.和&的無意義的組合。
經(jīng)過一些嘗試和失敗之后，我發(fā)現(xiàn)種子序列需要與訓練序列具有相同數(shù)量的字符，這在事后看起來是顯而易見的!最終，我使用300個字符的序列，我將++++\n重復到300個字符作為種子，機器人可以通過偶爾將++++\n分開以此生成每一輪詩歌。
劇本產(chǎn)生新一輪詩歌后，進行了***的抄襲檢查。因此，首先在訓練集中創(chuàng)建了所有獨特的4-grams(包含4個詞的短語)的集合，且對機器人詩歌創(chuàng)建相同集。計算兩集之間的交集。為驗證實驗目的，手動檢查了4-grams，以確保在兩個集合中出現(xiàn)的短語為inane。通常情況下，這個交點包含如下內(nèi)容：
- 我不想要
- 我不能夠
- 我想成為
- …的聲音
然后重復這個過程，使用5-grams和6-grams進行良好測量。若要使該過程自動化，可能會采取一種基頻法，排除在多個著作中常見的n-gram，認為是剽竊的情況。
詩歌!
每個時期輸出模型權(quán)重意味著我們可以在訓練期間的幾個點上加載模型快照?；仡?**模型的早期時代，明顯機器人掉線很快。期望可以將其用于設(shè)計上，訓練數(shù)據(jù)最顯著的特征是每行幾個字符。下面是一個例子，訓練結(jié)束后生成的詩歌：
- 眉頭緊皺 魔杖，一me一me
- 你會我們穿著和咬
- 在什么叫什么東西你所有的勇敢
它已經(jīng)學到了一些實際的詞語，并且模仿了每行之間空行的慣例。從遠處看，如果你不仔細看，看起來的確像是一首詩!在單個LSTM模型的損失收斂之后，模型學習了斷節(jié)和斷行，甚至展示一些常見的詩歌性重復。
- 和美麗的指示
- 飛翔的方式
- 我是言語的空間
- 我曾看見
- 但你的心將會看到這張臉
單一的LSTM模型的強大套裝毫無疑問是個別性的。除了標題行之外，我喜歡的另一個是：
- 風只為我
在Inspirobot熱烈的精神之下，Demet從她最喜歡的一行詩創(chuàng)造了寶石：
單一的LSTM模型不能夠精準地掌握詩歌主題，似乎在所有工作中一個共同的線索。即由單一LSTM模型生成的整個詩集詞匯云。
迷人!機器人沉迷于太陽和星星。
若太陽成為訓練數(shù)據(jù)中最普遍的話題，并不令人驚訝，但事實并非如此!這里有由訓練數(shù)據(jù)生成的文字云。
詩人喜歡寫愛情。
艾米莉狄金森寫了關(guān)于自然和死亡的詩歌。機器人給個人寫有關(guān)天體的詩!
添加第二個LSTM圖層后，可以開始看到其他詩歌技巧，如頭韻和韻律。
- 可見，會發(fā)現(xiàn)
- 種子微笑
- 染紅我的一天
- 一天之法
- 善良終結(jié)
它也開始產(chǎn)生一些非常有詩意的詩歌。與之前模型訓練的單行詩歌類似，有時不知一行。例如，
- 黑暗之中有一部分世界
- 陰影縈繞
哇，那很深刻!
目前為止，已經(jīng)看到了行，節(jié)，韻(內(nèi)部和行結(jié)尾)，重復和頭韻。不錯!但是，偶爾戲劇性的天賦，這時機器人模仿的詩歌通常是不連貫的詞匯集。廢話絕大部分都沒有語法結(jié)構(gòu)。
然而發(fā)生了一些變化即增加了第三個LSTM層。這種模式更有可能產(chǎn)生在語法上合理的單行詩，即使仍是荒謬的。例如：
- 父親的光芒不是骨骼的拳
這句詩沒有任何意義，但卻正確地放置了詞性。具有一致性，名詞從句具有一般的詩意。三層LSTM模型同樣創(chuàng)作了這些，我認為是很穩(wěn)定，詩情畫意地講：
- 這世界是蝴蝶島
- 我深覺孤獨
但三層LSTM模式的***成就正是這首完整的詩。
- 來自你內(nèi)心的陰暗
- 我待著
- 靈魂中掙扎
這不是大段文字的摘錄。這些單行詩被牢牢地定位在兩個++++\n分隔符之間。
哇，人們好有趣啊，我們將創(chuàng)造奇跡!
特別感謝我的詩人合伙人幫助我進行這個有趣的實驗!一定要訪問他們的網(wǎng)站，閱讀他們的作品!
- 邊緣之O - 羅伯特Okaji
- 沃爾夫 詩歌 - 琳達J.沃爾夫
- 詩歌，散文與散步 - 弗蘭克·胡貝尼
- 生命的視角，宇宙和萬物 - 奧蘭澤布茲達爾
