Keras與深度學習實戰(zhàn) 課件 第6、7章 基于CycleGAN的圖像風格轉換、基于TipDM數(shù)據(jù)挖掘建模平臺實現(xiàn)唐詩生成

基于CycleGAN的

圖像風格轉換1數(shù)據(jù)準備目錄目標分析2構建網(wǎng)絡3訓練網(wǎng)絡4結果分析5深度學習網(wǎng)絡在學習了兩種不同風格的圖像特征之后，可以將圖像組A的特征附著到圖像組B的圖像上，或是將圖像組B的特征附著到圖像組A的圖像上。本案例使用常規(guī)馬與斑馬數(shù)據(jù)集，構建CycleGAN網(wǎng)絡，進行圖像風格轉換。一是將常規(guī)馬圖像轉換成斑馬的圖像風格。二是將斑馬圖像風格轉換成常規(guī)馬的圖像風格。圖像風格轉換最初被創(chuàng)造出來的目的是，在不改變原始圖像的大體框架的前提下，創(chuàng)造出多種不同風格類型的圖像。目標分析隨著圖像風格轉換技術的不斷發(fā)展，應用領域也越來越多，可以用于去除臉部遮蔽物，或者用于圖像還原等。本小節(jié)主要介紹圖像風格轉換的相關背景、運用領域，以及本案例的分析目標和相關流程。目標分析圖像到圖像的風格轉換是一類視覺和圖形問題，是最近新興起的一種基于深度學習的技術，其目標是獲得輸入圖像和輸出圖像之間的映射。圖像風格轉換在生活中的運用有很多，例如。短視頻軟件的特殊濾鏡功能，可以將影像中的目標轉換為卡通、油畫、英式復古等風格。直播平臺的美顏、瘦臉等直播工具也采用了圖像風格轉換技術。本案例將基于CycleGAN進行圖像風格轉換，樣本數(shù)據(jù)無需配對即可實現(xiàn)轉換，如將油畫圖像轉換為現(xiàn)實風景圖像、斑馬圖像轉換成馬圖像、將冬季圖像轉換成夏季圖像等。背景本案例將實現(xiàn)常規(guī)馬圖像與斑馬圖像兩者的風格相互轉換，如下圖。背景利用CycleGAN網(wǎng)絡、常規(guī)馬與斑馬的圖像數(shù)據(jù)集，可以實現(xiàn)以下目標。令網(wǎng)絡能夠將常規(guī)馬圖像的風格轉換成斑馬圖像的風格。令網(wǎng)絡能夠將斑馬圖像的風格轉換成常規(guī)馬圖像的風格?；贕AN的圖像風格轉換總體流程圖的總體流程圖，主要包括以下4個步驟。數(shù)據(jù)加載。包括加載常規(guī)馬與斑馬圖像數(shù)據(jù)集。構建網(wǎng)絡。包括構建恒等映射網(wǎng)絡函數(shù)、構建殘差網(wǎng)絡函數(shù)、構建生成器函數(shù)和構建判別器函數(shù)。訓練網(wǎng)絡。包括構建訓練過程函數(shù)，構建生成圖像函數(shù)，運行主函數(shù)訓練網(wǎng)絡。結果分析。對模型的輸出結果進行結果分析。分析目標本案例基于GAN的圖像風格轉換總體流程圖的總體流程圖如所示。分析目標本案例基于Keras2.4.3和TensorFlow-gpu2.3.0環(huán)境下運行，其中TensorFlow也可以是CPU版本，除此之外還要安裝keras_contrib拓展包。keras_contrib拓展包在Windows下的安裝流程如下。在github上下載keras_contrib庫，下載完后解壓文件。解壓完成后打開keras_contrib包文件，輸入cmd打開命令行窗口，在命令行窗口輸入“pythonsetup.pyinstall”命令進行安裝。將keras_contrib和keras_contrib.egg-info這兩個文件夾，移動到Anaconda的環(huán)境中，具體要放到Lib下的site-packages中，默認路徑為“C:\Users\用戶名\anaconda3\Lib\site-packages”。項目工程結構本案例的目錄包含3個文件夾如右圖，分別是code、data和tmp，如下圖左一。所有原始圖像數(shù)據(jù)存放在data文件夾，data文件夾內包含了4個子文件夾，分別是trainA、trainB、testA、testB，如下圖左二。所有的代碼文件放在code文件夾中，如下圖右一。項目工程結構代碼運行過程中生成的轉換圖像會放入tmp文件夾中，項目工程結構1數(shù)據(jù)準備目錄目標分析2構建網(wǎng)絡3訓練網(wǎng)絡4結果分析5本案例使用的數(shù)據(jù)是包含斑馬與常規(guī)馬圖像的數(shù)據(jù)集，包含4個子數(shù)據(jù)集testA、testB、trainA和trainB。其中testA中包含120張常規(guī)馬圖像，testB中包含140張斑馬圖像，trainA中包含400張常規(guī)馬圖像，trainB中包含400張斑馬圖像。trainA和trainB數(shù)據(jù)集用于訓練網(wǎng)絡，testA和testB數(shù)據(jù)集用于評估網(wǎng)絡的圖像風格轉換性能。構建能夠將原始圖像讀取到內存中的函數(shù)，即用來存放讀取變量。數(shù)據(jù)準備1數(shù)據(jù)準備目錄目標分析2構建網(wǎng)絡3訓練網(wǎng)絡4結果分析5CycleGAN是朱俊彥（Jun-YanZhu）等人于2017年3月份提出的生成對抗網(wǎng)絡。該網(wǎng)絡的作用是將一類圖像的風格轉換成另外一類圖像的風格。假設有X和Y兩個圖像域（比如馬和斑馬），CycleGAN能夠將圖像域X的圖像（馬）轉換為圖像域Y的圖像（斑馬），或是將圖像域Y的圖像（斑馬）轉換為圖像域X的圖像（馬）。圖像域X和Y的圖像風格相互轉換，如右圖。構建網(wǎng)絡CycleGAN的網(wǎng)絡結構如下圖。構建網(wǎng)絡為了實現(xiàn)兩個域X和Y之間的相互映射，CycleGAN包含兩個映射網(wǎng)絡，即生成器

和

，和兩個對應的判別器

和

。判別器

的目標是區(qū)分來自圖像域X的真實圖像和轉換的圖像

和

。判別器的目標是區(qū)分來自圖像域Y的真實圖像和轉換的圖像

和

。循環(huán)一致性損失存在的意義是為了防止學習的映射G和F相互矛盾。構建網(wǎng)絡在不斷加神經(jīng)網(wǎng)絡的深度時，會出現(xiàn)飽和問題，即準確率會先上升然后達到飽和，再持續(xù)增加深度則會導致準確率下降。這并不是過擬合的問題，因為隨著誤差在測試集上增大,訓練集本身誤差也會增大。假設有一個比較淺的網(wǎng)絡達到了飽和的準確率,那么加上恒等映射網(wǎng)絡全可以讓誤差不再增加，即更深的網(wǎng)絡不會再帶來訓練集上的誤差上升。定義恒等映射網(wǎng)絡函數(shù)深度學習網(wǎng)絡的深度對模型的分類和識別的效果有著很大的影響，通常網(wǎng)絡的深度越深，訓練效果越好。但是事實上卻不是這樣，網(wǎng)絡層數(shù)的增加并沒有提升網(wǎng)絡的訓練效果，其中的原因之一就是網(wǎng)絡越深，梯度消失的現(xiàn)象就越來越明顯，網(wǎng)絡的訓練效果自然就不會提高。但是淺層網(wǎng)絡又無法明顯地提升網(wǎng)絡的識別效果，所以需要增加殘差網(wǎng)絡來解決梯度消失以及梯度爆炸的問題。定義殘差網(wǎng)絡函數(shù)生成器的目標為能將輸入的圖像轉化為期望的圖像風格的圖像。例如，輸入斑馬的圖像，轉化成馬的圖像。定義生成器函數(shù)判別器的目的是根據(jù)輸入的圖像判斷出圖像的真?zhèn)?。在CycleGAN中，判別器（Dicriminator）訓練時使用的loss函數(shù)為均方差。本案例最后卷積完后的網(wǎng)絡形狀（shape）為(16,16,1)。需要注意的是，構建判別器函數(shù)與構建生成器函數(shù)的代碼都包含在CycleGAN類中。定義判別器函數(shù)1數(shù)據(jù)準備目錄目標分析2構建網(wǎng)絡3訓練網(wǎng)絡4結果分析5定義生成器與判別器的函數(shù)后，需要實例化生成器和判別器并定義CycleGAN網(wǎng)絡的訓練過程。然后定義一個生成圖像函數(shù)，使網(wǎng)絡每次迭代都輸出一次風格轉換圖像，方便操作者跟進網(wǎng)絡的學習進度。訓練網(wǎng)絡CycleGAN的訓練過程分為3個步驟，具體如下。實例化兩個生成器，其中一個用于將圖像風格X轉換成圖像風格Y，另外一個用于將圖像風格B轉換成圖像風格X。實例化兩個判別器，分別用于風格X圖像的真?zhèn)闻袛嗪惋L格Y圖像的真?zhèn)闻袛?。判別器的訓練所用的損失函數(shù)是均方差損失，用于判斷是否正確進行訓練。訓練過程的代碼與構建判別器和構建生成器的代碼一樣，包含在CycleGAN類中。定義訓練過程函數(shù)生成器的訓練需要滿足6個準則如下。將圖像風格X轉換成圖像風格Y的假圖像需要能夠成功欺騙判斷器Y。將圖像風格Y轉換成圖像風格X的假圖像需要能夠成功欺騙判斷器X。將圖像風格X轉換成圖像風格Y的假圖像可以通過生成器YX成功轉換成圖像X。將圖像風格Y轉換成圖像風格X的假圖像可以通過生成器XY成功轉換成圖像Y。真實圖像X通過生成器YX，不會發(fā)生變化。真實圖像Y通過生成器XY，不會發(fā)生變化。定義訓練過程函數(shù)為了跟進網(wǎng)絡的學習進度，需要觀察網(wǎng)絡每次迭代學習之后所生成的轉換圖像，在定義生成器函數(shù)的CycleGAN類中定義生成圖像函數(shù)。完成網(wǎng)絡訓練過程的定義之后，運行主函數(shù)main開始訓練網(wǎng)絡。定義生成圖像函數(shù)1數(shù)據(jù)準備目錄目標分析2構建網(wǎng)絡3訓練網(wǎng)絡4結果分析5通過觀察每次迭代（Epoch）的輸出結果，分析網(wǎng)絡的生成圖像對比前面幾次迭代發(fā)生了什么變化。由于Epoch參數(shù)最初設置為0，所以訓練過程中輸出的Epoch值始終比實際中的迭代次數(shù)小一位。網(wǎng)絡進行第1次迭代即Epoch=0時，輸出的圖像基本是噪聲，如下圖所示。結果分析網(wǎng)絡進行第6次迭代即Epoch=5時，已經(jīng)能夠簡單地將斑馬條紋模糊處理，如下圖。結果分析網(wǎng)絡進行第12次迭代即Epoch=11時，已經(jīng)可以看到一些斑紋，如下圖。結果分析網(wǎng)絡進行第17次迭代即Epoch=16時，能夠生成更加明顯的斑紋特征，如下圖。結果分析網(wǎng)絡進行第100次迭代即Epoch=99時，兩條路徑的風格特征均能較好的遷移，如下圖。結果分析本章主要介紹了實現(xiàn)基于CycleGAN的圖像風格轉換的全流程。在讀取數(shù)據(jù)之后，構建了殘差網(wǎng)絡、恒等映射模塊、構建生成器和構建判別器。然后訓練構建好的網(wǎng)絡，觀察網(wǎng)絡在100次迭代中輸出的結果。網(wǎng)絡每進行一定次數(shù)的迭代后，觀察網(wǎng)絡對圖像的轉換效果并進行分析。小結基于TipDM數(shù)據(jù)挖掘建模平臺實現(xiàn)唐詩生成1實現(xiàn)唐詩生成目錄平臺簡介2TipDM大數(shù)據(jù)挖掘建模平臺是由廣東泰迪智能科技股份有限公司自主研發(fā)，面向大數(shù)據(jù)挖掘項目的工具。平臺使用Java語言開發(fā)，采用B/S結構，用戶不需要下載客戶端，可通過瀏覽器進行訪問。平臺提供了基于Python、R以及Hadoop/Spark分布式引擎的大數(shù)據(jù)分析功能。平臺支持工作流，用戶可在沒有Scala、Python、R等編程語言基礎的情況下，通過拖曳的方式進行操作，以流程化的方式將數(shù)據(jù)輸入輸出、統(tǒng)計分析，數(shù)據(jù)預處理、分析與建模等環(huán)節(jié)進行連接，從而達成大數(shù)據(jù)分析的目的。讀者可通過訪問平臺查看具體的界面情況，訪問平臺的具體步驟如下。微信搜索公眾號“泰迪學院”或“TipDataMining”，關注公眾號。關注公眾號后，回復“建模平臺”，獲取平臺訪問方式。平臺簡介平臺的界面如圖所示。平臺簡介本章將以唐詩生成案例為例，介紹如何使用平臺實現(xiàn)案例的流程。在介紹之前，需要引入平臺的幾個概念。算法：將建模過程涉及的輸入/輸出、數(shù)據(jù)探索及預處理、建模、模型評估等算法分別進行封裝，每一個封裝好的算法模塊稱之為算法。實訓：為實現(xiàn)某一數(shù)據(jù)分析目標，將各算法通過流程化的方式進行連接，整個數(shù)據(jù)分析流程稱為一個實訓。模板：用戶可以將配置好的實訓，通過模板的方式，分享給其他用戶，其他用戶可以使用該模板，創(chuàng)建一個無需配置算法便可運行的實訓。平臺簡介TipDM大數(shù)據(jù)挖掘建模平臺主要有以下幾個特點。平臺算法基于Python、R以及Hadoop/Spark分布式引擎，用于數(shù)據(jù)分析。Python、R以及Hadoop/Spark是目前最為流行的用于數(shù)據(jù)分析的語言，高度契合行業(yè)需求。用戶可在沒有Python、R或者Hadoop/Spark編程基礎的情況下，使用直觀的拖曳式圖形界面構建數(shù)據(jù)分析流程，無須編程。提供公開可用的數(shù)據(jù)分析示例實訓，一鍵創(chuàng)建，快速運行。支持挖掘流程每個節(jié)點的結果在線預覽。Python算法包可分為10大類：統(tǒng)計分析、預處理、腳本分類、聚類、回歸、時間序列、關聯(lián)規(guī)則、文本分析、繪圖。Spark算法包可分為6大類：預處理、統(tǒng)計分析、分類、聚類、回歸、協(xié)同過濾。R語言算法包可分為8大類：統(tǒng)計分析、預處理、腳本、分類、聚類、回歸、時間序列、關聯(lián)規(guī)則。下面將對平臺【實訓庫】【數(shù)據(jù)連接】【實訓數(shù)據(jù)】【我的實訓】【系統(tǒng)算法】和【個人算法】6個模塊進行介紹。平臺簡介登錄平臺后，用戶即可看到【實訓庫】模塊系統(tǒng)提供的示例實訓（模板），如圖所示。實訓庫【實訓庫】模塊主要用于標準大數(shù)據(jù)分析案例的快速創(chuàng)建和展示。通過【實訓庫】模塊，用戶可以創(chuàng)建一個無須導入數(shù)據(jù)及配置參數(shù)就能夠快速運行的實訓。同時，每一個模板的創(chuàng)建者都具有模板的所有權，能夠對模板進行管理。用戶可以將自己搭建的數(shù)據(jù)分析實訓生成為模板，顯示在【實訓庫】模塊，供其他用戶一鍵創(chuàng)建。實訓庫【數(shù)據(jù)連接】模塊支持從DB2、SQLServer、MySQL、Oracle、PostgreSQL等常用關系型數(shù)據(jù)庫導入數(shù)據(jù)，如圖所示。數(shù)據(jù)連接【實訓數(shù)據(jù)】模塊主要用于數(shù)據(jù)分析實訓的數(shù)據(jù)導入與管理。支持從本地導入任意類型數(shù)據(jù)。如圖所示。實訓數(shù)據(jù)除了導入本地的文件外，還可以通過連接的數(shù)據(jù)庫進行導入數(shù)據(jù)，如圖所示。實訓數(shù)據(jù)【我的實訓】模塊主要用于數(shù)據(jù)分析流程化的創(chuàng)建與管理，如圖所示。通過【實訓】模塊，用戶可以創(chuàng)建空白實訓，進行數(shù)據(jù)分析實習的配置，將數(shù)據(jù)輸入輸出、數(shù)據(jù)預處理、挖掘建模、模型評估等環(huán)節(jié)通過流程化的方式進行連接，達到數(shù)據(jù)分析的目的。對于完成的優(yōu)秀的實訓，可以將其保存為模板，讓其他使用者學習和借鑒。我的實訓【系統(tǒng)算法】模塊主要用于大數(shù)據(jù)分析內置常用算法的管理，提供Python、R語言、Spark三種算法包，如圖所示。系統(tǒng)算法Python算法包可分為10大類，具體如下?！窘y(tǒng)計分析】類提供對數(shù)據(jù)整體情況進行統(tǒng)計的常用算法，包括因子分析、全表統(tǒng)計、正態(tài)性檢驗、相關性分析、卡方檢驗、主成分分析和頻數(shù)統(tǒng)計?！绢A處理】類提供對數(shù)據(jù)進行清洗的算法，包括數(shù)據(jù)標準化、缺失值處理、表堆疊、數(shù)據(jù)篩選、行列轉置、修改列名、衍生變量、數(shù)據(jù)拆分、主鍵合并、新增序列、數(shù)據(jù)排序、記錄去重和分組聚合?！灸_本】類提供一個Python代碼編輯框。用戶可以在代碼編輯框中粘貼已經(jīng)寫好的程序代碼并直接運行，無須再額外配置成算法。【分類】類提供常用的分類算法，包括樸素貝葉斯、支持向量機、CART分類樹、邏輯回歸、神經(jīng)網(wǎng)絡和K最近鄰?！揪垲悺款愄峁┏Ｓ玫木垲愃惴ǎ▽哟尉垲?、DBSCAN密度聚類和K-Means。系統(tǒng)算法【回歸】類提供常用的回歸算法，包括CART回歸樹、線性回歸、支持向量回歸和K最近鄰回歸?！緯r間序列】類提供常用的時間序列算法，包括ARIMA?！娟P聯(lián)規(guī)則】類提供常用的關聯(lián)規(guī)則算法，包括Apriori和FP-Growth?！疚谋痉治觥款愄峁ξ谋緮?shù)據(jù)進行清洗、特征提取與分析的常用算法，包括TextCNN、seq2seq、jieba分詞、HanLP分詞與詞性、TF-IDF、doc2vec、word2vec、過濾停用詞、LDA、TextRank、分句、正則匹配和HanLP實體提取。【繪圖】類提供常用的畫圖算法，包括柱形圖、折線圖、散點圖、餅圖和詞云圖。系統(tǒng)算法Spark算法包可分為6大類，具體如下?！绢A處理】類提供對數(shù)據(jù)進行清洗的算法，包括數(shù)據(jù)去重、數(shù)據(jù)過濾、數(shù)據(jù)映射、數(shù)據(jù)反映射、數(shù)據(jù)拆分、數(shù)據(jù)排序、缺失值處理、數(shù)據(jù)標準化、衍生變量、表連接、表堆疊、啞變量和數(shù)據(jù)離散化?！窘y(tǒng)計分析】類提供對數(shù)據(jù)整體情況進行統(tǒng)計的常用算法，包括行列統(tǒng)計、全表統(tǒng)計、相關性分析和卡方檢驗?！痉诸悺款愄峁┏Ｓ玫姆诸愃惴ǎㄟ壿嫽貧w、決策樹、梯度提升樹、樸素貝葉斯、隨機森林、線性支持向量機和多層感知神經(jīng)網(wǎng)絡。【聚類】類提供常用的聚類算法，包括K-Means聚類、二分K均值聚類和混合高斯模型?！净貧w】類提供常用的回歸算法，包括線性回歸、廣義線性回歸、決策樹回歸、梯度提升樹回歸、隨機森林回歸和保序回歸?！緟f(xié)同過濾】類提供常用的智能推薦算法，包括ALS算法。系統(tǒng)算法R語言算法包可分為8大類，具體如下?！窘y(tǒng)計分析】類提供對數(shù)據(jù)整體情況進行統(tǒng)計的常用算法，包括卡方檢驗、因子分析、主成分分析、相關性分析、正態(tài)性檢驗和全表統(tǒng)計?！绢A處理】類提供對數(shù)據(jù)進行清洗的算法，包括缺失值處理、異常值處理、表連接、表堆疊、數(shù)據(jù)標準化、記錄去重、數(shù)據(jù)離散化、排序、數(shù)據(jù)拆分、頻數(shù)統(tǒng)計、新增序列、字符串拆分、字符串拼接、修改列名和衍生變量?！灸_本】類提供一個R語言代碼編輯框。用戶可以在代碼編輯框中粘貼已經(jīng)寫好的程序代碼并直接運行，無須再額外配置成算法。系統(tǒng)算法【分類】類提供常用的分類算法，包括樸素貝葉斯、CART分類樹、C4.5分類樹、BP神經(jīng)網(wǎng)絡、KNN、SVM和邏輯回歸。【聚類】類提供常用的聚類算法，包括K-Means、DBSCAN和系統(tǒng)聚類。【回歸】類提供常用的回歸算法，包括CART回歸樹、C4.5回歸樹、線性回歸、嶺回歸和KNN回歸?！緯r間序列】類提供常用的時間序列算法，包括ARIMA、GM(1,1)和指數(shù)平滑。【關聯(lián)分析】類提供常用的關聯(lián)規(guī)則算法，包括Apriori。系統(tǒng)算法【個人算法】模塊主要為了滿足用戶的個性化需求。在用戶使用過程中，可根據(jù)自己的需求定制算法，方便使用。目前個人算法支持通過Python和R語言進行個人算法的定制，如圖所示。個人算法1實現(xiàn)唐詩生成目錄平臺簡介2以唐詩生成案例為例，在TipDM數(shù)據(jù)挖掘建模平臺上配置對應實訓，展示流程的配置過程。詳細流程的配置過程，可訪問平臺進行查看。在TipDM數(shù)據(jù)挖掘建模平臺上配置語音識別實訓的總體流程如圖所示，主要包括以下4個步驟。對文本進行預處理，包括標識文本數(shù)據(jù)中詩句結束點、去除低頻詞和構建映射。處理完文本后開始構建網(wǎng)絡，包括設置配置項、生成訓練數(shù)據(jù)和構建LSTM網(wǎng)絡。先設置網(wǎng)絡的打印學習情況、生成詩句和訓練網(wǎng)絡模塊，并通過主函數(shù)進行整個網(wǎng)絡的訓練。通過主函數(shù)的日志觀察網(wǎng)絡根據(jù)輸入文字生成的詩句。實現(xiàn)唐詩生成由于平臺上傳文件的限制，本章使用的數(shù)據(jù)為poetry.txt。使用TipDM數(shù)據(jù)挖掘建模平臺導入數(shù)據(jù)，步驟如下。新增數(shù)據(jù)集。單擊【實訓數(shù)據(jù)】模塊，在【我的數(shù)據(jù)集】中選擇【新增數(shù)據(jù)集】，如圖所示。配置數(shù)據(jù)源設置新增數(shù)據(jù)集參數(shù)。在【封面圖片】中隨意選擇一張封面圖片，在【名稱】中填入“詩詞數(shù)據(jù)集”，【有效期（天）】項選擇【永久】，在【描述】中填入“唐詩生成”，【訪問權限】項選擇【私有】，單擊【單擊上傳】選擇需要上傳的文件，等待顯示成功后，單擊【確定】按鈕，即可上傳，如圖所示。配置數(shù)據(jù)源數(shù)據(jù)上傳完成后，新建一個命名為【唐詩生成】的空白實訓，配置一個【輸入源】算法，步驟如下。拖曳【輸入源】算法。在【實訓】欄的【算法】欄中，找到【系統(tǒng)算法】模塊中【內置算法】下的【輸入/輸出】類。拖曳【輸入/輸出】類中的【輸入源】算法至畫布中。配置【輸入源】算法。單擊畫布中的【輸入源】算法，然后單擊畫布右側【參數(shù)配置】欄中的【數(shù)據(jù)集】框，輸入“詩詞數(shù)據(jù)集”，在彈出的下拉框中選擇【詩詞數(shù)據(jù)集】，在【名稱】框中勾選【poetry.txt】。右鍵單擊【輸入源】算法，選擇【重命名】并輸入“詩詞數(shù)據(jù)集”，如圖所示。配置數(shù)據(jù)源本章文本預處理主要是標識詩句的結束點、去掉低頻的字和構建映射，實現(xiàn)文本預處理的步驟如下。創(chuàng)建【文本預處理】算法。進入【個人算法】模塊，單擊【個人算法】欄的加號新增個人算法，在【算法名稱】框中輸入算法名“文本預處理”，將文本預處理的代碼放入【算法代碼】框中，并在【#<editable>】行和【#</editable>】行之間插入輸入配置和輸出配置，如圖所示。文本預處理連接【文本預處理】算法。拖曳【文本預處理】算法至畫布中，并與【詩詞數(shù)據(jù)集】算法相連接，如圖所示。文本預處理1.設置配置項構建網(wǎng)絡前需要先對網(wǎng)絡的參數(shù)進行配置，配置【設置配置項】算法的步驟如下。創(chuàng)建【設置配置項】算法。進入【個人算法】模塊，單擊【個人算法】欄的加號新增個人算法，在【算法名稱】框中輸入算法名“設置配置項”，將設置配置項的代碼放入【算法代碼】框中，并在【#<editable>】行和【#</editable>】行之間插入輸入配置和輸出配置，如圖所示。構建網(wǎng)絡完成了文本的預處理后即可開始構建用于訓練的網(wǎng)絡，構建網(wǎng)絡主要包括設置配置項、生成訓練數(shù)據(jù)、構建LSTM網(wǎng)絡。連接【設置配置項】算法。拖曳【設置配置項】算法至畫布中，并與【文本預處理】算法相連接，如圖所示。構建網(wǎng)絡除了設置網(wǎng)絡的參數(shù)外，在訓練網(wǎng)絡前還需要，生成用于訓練網(wǎng)絡的數(shù)據(jù)。配置【生成訓練數(shù)據(jù)】算法的步驟如下。創(chuàng)建【生成訓練數(shù)據(jù)】算法。進入【個人算法】模塊，單擊【個人算法】欄的加號新增個人算法，在【算法名稱】框中輸入算法名“生成訓練數(shù)據(jù)”，將生成訓練數(shù)據(jù)的代碼放入【算法代碼】框中，并在【#<editable>】行和【#</editable>】行之間插入輸入配置和輸出配置，如圖所示。構建網(wǎng)絡2.生成訓練數(shù)據(jù)連接【生成訓練數(shù)據(jù)】算法。拖曳【生成訓練數(shù)據(jù)】算法至畫布中，并與【設置配置項】算法相連接，如圖所示。構建網(wǎng)絡配置【構建LSTM網(wǎng)絡】算法的步驟如下。創(chuàng)建【構建LSTM網(wǎng)絡】算法。進入【個人算法】模塊，單擊【個人算法】欄的加號新增個人算法，在【算法名稱】框中輸入算法名“構建LSTM網(wǎng)絡”，將構建LSTM網(wǎng)絡的代碼放入【算法代碼】框中，并在【#<editable>】行和【#</editable>】行之間插入輸入配置和輸出配置，如圖所示。構建網(wǎng)絡3.構建LSTM網(wǎng)絡連接【構建LSTM網(wǎng)絡】。拖曳【構建LSTM網(wǎng)絡】算法至畫布中，并與【生成訓練數(shù)據(jù)】算法相連接，如圖所示。構建網(wǎng)絡1.打印學習情況配置【打印學習情況】算法步驟如下。創(chuàng)建【打印學習情況】算法。進入【個人算法】模塊，單擊【個人算法】欄的加號新增個人算法，在【算法名稱】框中輸入算法名“打印學習情況”，將打印學習情況的代碼放入【算法代碼】框中，并在【#<editable>】行和【#</editable>】行之間插入輸入配置和輸出配置，如圖所示。訓練網(wǎng)絡構建好網(wǎng)絡之后需要將數(shù)據(jù)導入網(wǎng)絡進行訓練，網(wǎng)絡訓練結束才能實現(xiàn)文本生成。連接【打印學習情況】算法。拖曳【打印學習情況】算法至畫布中，并與【構建LSTM