我們分析了超過50萬首詩歌，教你用代碼寫詩（附代碼）

本文作者： AI研習社-譯站

2018-03-08 11:36

導語：我能用代碼寫詩嗎？我可不可以做一個可以寫出原創詩歌的機器人？為了找出方法，我做了一個實驗。

本文為雷鋒字幕組編譯的技術博客，原標題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發表了超過50萬個標簽為詩歌的帖子。我聯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構，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的神經網絡創建我的機器人，它也叫作長短期記憶網絡。神經網絡使用“層”將問題分解為許多小問題。

舉個例子，假設你正在訓練一個可以識別正方形的神經網絡。可能一個層負責識別直角，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。神經網絡通過訓練數百萬張正方形圖像，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。

現在假設你用一個神經網絡預測這個序列的下一個字母：

th_

作為一個普通人，這個任務真是太簡單了。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聯性非常強。LSTM可以“記住”以前的狀態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生單詞。為了達到這個目標，它需要數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！

準備數據集

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奏等結構特點，以及詩歌中包含的押韻、諧音、頭韻等特點。所以，把訓練數據限制在有結構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的訓練數據。通常，我嘗試訓練LSTM時都要用至少1MB的數據集，因此我需要尋找更多的詩歌！我在去年發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，你可能會發現你對它們很熟悉。我在每一個作者中選擇一個帖子作為詩歌。

訓練LSTM網絡

當我獲得1MB的詩歌時，我開始建立LSTM網絡。我使用Python中的keras工具建立神經網絡，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網絡，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--將訓練數據學習得太好以至于模型無法概括數據的特點--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絡中添加dropout。它迫使在每一步驟中有隨機權重下降到0。這有點像強迫網絡“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完成訓練我的網絡這一繁重工作。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絡。我的第一個網絡使用一個LSTM層，后面接入一個dropout層。這真的產生了像詩歌的文本！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，第一個迭代后產生了這句如寶石般精彩的話：

我們分析了超過50萬首詩歌，教你用代碼寫詩（附代碼）

添加LSTM層，在每一層中試驗dropout的參數，直到最終獲得了下面的模型。最終選擇使用3個LSTM層，因為再增加層數會讓訓練時間變得不合理，而且3層的結果已經很不錯了。

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。

我們分析了超過50萬首詩歌，教你用代碼寫詩（附代碼）

網絡中LSTM層數越多，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生在使用adam作為優化器時。注意到在網絡中增加LSTM層數時，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。網絡中有一層LSTM時，訓練一個epoch需要大約600秒，全部訓練結束需要一夜。然而，3個LSTM層的網絡訓練一個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果。但在我看來，即使訓練時間很長，3個LSTM層的網絡得到了最好的詩歌。

生成詩歌

為了產生完全原創的文本，也需要改變生成文本的方式。在keras的例子中，這個例子從訓練數據中選擇一個隨機的字符序列作為種子，輸入到訓練好的網絡中。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，我認為它可以創作出原始的詩歌。然而結果是\n，_，.和&的無意義的組合。

經過一些嘗試和失敗之后，我發現種子序列需要與訓練序列具有相同數量的字符，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。

劇本產生新一輪詩歌后，進行了最后的抄襲檢查。因此，首先在訓練集中創建了所有獨特的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的短語為inane。通常情況下，這個交點包含如下內容：