首页 > 营销学院 > AI智能

语句生成之胡编乱造哲理和爱情生成器

这是一个基于GRU的哲理与爱情文本生成器。用wordstest.txt作数据集，通过字映射构建字表，模型含嵌入层、双向GRU层和全连接层。训练时以固定长度文本为输入预测下一字，迭代优化参数。使用时输入开头文字，模型生成指定长度文本，生字会提示未学会。

☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜

胡编乱造哲理和爱情生成器

高人打造计划

因为数据集偏向哲理和爱情

效果展示：

输入：

我对你的爱

输出：

我对你的爱恋中，我愿为此生，爱爱可多少善果才能与他漫步人生路？朋友如海水般，承载你无数的泪花；欢乐时，白浪掀天，波涛声依旧没有能够脱离其中。执子之手，往事既往不咎，执子之手，往事既往不咎，执子之手，我们注定？一昧的消沉，失落，伪装出虚伪的自己，只愿愿以一袭泯念过无数的看着，安慰着，轻抚疼痛的心。

再不会为了一句话，而和人争得面红耳赤；再不会为了一句话，而和此刻绽放。　　站在都市的一隅，感受那些渐行渐远，耳际忽而响起＜怒放的生命＞的旋律，激起我心中一股莫名的渴望。轻轻拉开窗帘，一场春雨，淋湿了虔诚向往的花朵，许许多多的回忆片段如同雨浇开的花香，坐在窗帘的边缘点燃生命的歌喉。

古藤老树昏鸦，断肠人在天涯。韶光荏苒，记不起年少的轻狂，不再想当年的慷慨激昂。一路奔波流浪，一路磕磕绊绊。笑荏苒燃的前世与无奈，尘世中没有哪一空中的征程时，点出事情中痴迷，无奈生命里伏伏起起，你有经的青春很

操作使用方法

就是从上到下运行全部代码，注释掉倒数第二个代码块，这个为训练的，然后最后一个代码块就是测试代码块，就是玩的。

让你输入开头几个字，然后输出自定义字数的句段。

简单的技术

本项目主要就是用了GRU，然后数据集构造非常简单,就是放在wordstest.txt里面，也可以自己改数据集训练哦。

为了简单，本项目的batch_size为1，没有使用dataset这些。

定义基本工具函数

In [1]

import numpy as np 
import paddleimport paddle.nn.functional as Fimport timeimport randomfrom collections import Counter

RANDOM_SEED = 123paddle.seed(RANDOM_SEED)def elapsed(sec):
    if sec < 60:        return str(sec) +"sec"
    elif sec< 60*60:        return str(sec/60)+"min"
    else :        return str(sec/(60*60)) +"hr"training_file = "wordstest.txt" #定义样本文件def readalltxt(txt_files):
    labels = []    for txt_file in txt_files:
        target = get_ch_lable(txt_file)
        labels.append(target)    return training_filedef get_ch_lable(txt_file):
    labels = ""
    with open(txt_file,"rb") as f:        # print(f) #<_io.BufferedReader name='wordstest.txt'>
        for label in f:
            labels = labels + label.decode("utf-8")    return labelsdef get_ch_lable_v(txt_file,word_num_map,txt_label = None):
    words_size = len(word_num_map)
    to_num = lambda word:word_num_map.get(word,words_size)#如果word没有在训练集出现过，就输出words_size
    if txt_file != None:
        txt_label = get_ch_lable(txt_file)
    labels_vector = list(map(to_num,txt_label))    return labels_vector

training_data = get_ch_lable(training_file)print("loaded training data...")print("样本长度：",len(training_data))

counter  = Counter(training_data)# print(counter)words = sorted(counter)# print(words)words_size = len(words)
word_num_map = dict(zip(words,range(words_size))) # 字映射到对应的独热编码print("字表大小",words_size)
wordlabel = get_ch_lable_v(training_file,word_num_map)# print(wordlabel)

loaded training data...
样本长度： 4240
字表大小 1016

模型主体

In [2]

class GRURNN(paddle.nn.Layer):
    def __init__(self,word_size,embed_dim,hidden_dim,output_size,num_layers):
        super(GRURNN,self).__init__()
        self.num_layers = num_layers
        self.hidden_dim = hidden_dim

        self.embed = paddle.nn.Embedding(word_size,embed_dim)
        self.gru = paddle.nn.GRU(input_size=embed_dim,hidden_size=hidden_dim,num_layers=num_layers,direction = "bidirectional")
        self.fc = paddle.nn.Linear(hidden_dim*2,output_size)#输出概率

    def forward(self,features,hidden):
        embedded = self.embed(features.reshape([1,-1]))
        output,hidden = self.gru(embedded.reshape([1,1,-1]),hidden)        # output = self.attention(output)
        output = self.fc(output.reshape([1,-1]))        return output,hidden    def init_zero_state(self):
        init_hidden = paddle.zeros([self.num_layers*2,1,self.hidden_dim])        return init_hidden

训练前的小小准备

In [3]

EMBEDDING_DIM = 10HIDDEN_DIM = 20NUM_LAYERS = 1model = GRURNN(words_size, EMBEDDING_DIM, HIDDEN_DIM, words_size, NUM_LAYERS)
optimizer = paddle.optimizer.Adam(learning_rate=0.005,parameters=model.parameters())#定义测试函数def evaluate(model, prime_str, predict_len, temperature=0.8):

    hidden = model.init_zero_state()
    predicted = ''

    #处理输入语义
    for p in range(len(prime_str) - 1):
        _, hidden = model(prime_str[p], hidden)
        predicted +=words[prime_str[p]]
    inp = prime_str[-1]
    predicted +=words[inp]    
    for p in range(predict_len):
        output, hidden = model(inp, hidden)        
        #从多项式分布中采样
        output_dist = output.reshape([-1]).divide(paddle.to_tensor(temperature)).exp()
        inp = paddle.multinomial(output_dist, 1)[0]
        
        predicted += words[inp]    return predicted

W0309 22:03:40.237079  1212 device_context.cc:447] Please NOTE: device: 0, GPU Compute Capability: 7.0, Driver API Version: 10.1, Runtime API Version: 10.1
W0309 22:03:40.242807  1212 device_context.cc:465] device: 0, cuDNN Version: 7.6.

正式训练（如果不想训练可以直接注释掉本代码块，然后直接运行全部的代码，最后一个代码块就可以直接玩了）

In [4]

# #定义参数训练模型# training_iters = 20000# display_step = 1000# n_input = 20# step = 0# offset = random.randint(0,n_input+1)# end_offset = n_input + 1# while step < training_iters:#     start_time = time.time()#     # 随机取一个位置偏移#     if offset > (len(training_data)-end_offset):#         offset = random.randint(0, n_input+1)
   #     inwords =wordlabel[offset:offset+n_input]#     inwords = np.reshape(np.array(inwords), [n_input, -1,  1])#     out_onehot = wordlabel[offset+1:offset+n_input+1]#     hidden = model.init_zero_state()#     # print(hidden)#     optimizer.clear_grad()
    #     loss = 0.#     inputs, targets = paddle.to_tensor(inwords), paddle.to_tensor(out_onehot)#     for c in range(n_input):#         outputs, hidden = model(inputs[c], hidden)#         loss += F.cross_entropy(outputs, targets[c].reshape([1]))#     loss /= n_input#求每个字的平均loss#     loss.backward()#     optimizer.step()#     #输出日志#     with paddle.set_grad_enabled(False):#         if (step+1) % display_step == 0:#             print(f'Time elapsed: {(time.time() - start_time)/60:.4f} min')#             print(f'step {step+1} | Loss {loss.item():.2f}\n\n')#             with paddle.no_grad():#                 print(evaluate(model, inputs, 32), '\n')#             print(50*'=')#             paddle.save(model.state_dict(), 'model_state'+str(2)+'.pdparams')#     step += 1#     offset += (n_input+1)#中间隔了一个，作为预测# print("Finished!")

可以直接玩的代码（如果字在txt中没有出现，就会进行提示“该字我还没学会”）

In [ ]

import paddle
n_input =20 layer_state_dictm = paddle.load("model_state2.pdparams")
model.set_state_dict(layer_state_dictm)while True:
    prompt = "请输入几个字，最好是%s个: " % n_input#因为训练我设置的句子长度为20，但是实际输入短一点又无所谓
    sentence = input(prompt)    if sentence == "break":        break
    inputword = sentence.strip()    
    try:
        inputword = get_ch_lable_v(None,word_num_map,inputword)
        keys = np.reshape(np.array(inputword), [ len(inputword),-1, 1])
        zi_num = 400
        model.eval()        with paddle.no_grad():
            sentence =evaluate(model, paddle.to_tensor(keys), zi_num)# zi_num就代表后面继续模型输出字数 总共为n_input + zi_num

        print(sentence)    # break
    except:        print("该字我还没学会")

请输入几个字，最好是20个:  风的悲伤

风的悲伤着？
茫然的心境，遥远的梦幻，飘荡，游离恍若几个世纪，那么漫长。为了那份渴望已久梦中痴缠的美丽，落日的晚霞像是给你披上漂亮的嫁衣，习习微风把你的面纱吹起，凝眸深处你的微笑惹人痴迷，无奈生命里伏伏起起，你的美永远刻在了无法倒转的悱侧惆怅，又有情深意意的悠悠旋律，不时的在你心中回荡。徘徊。萦绕间的人陶醉的温柔。往事都成过往云烟，无须无奈，尘世，无须追究，执子之手，我们注定？也许，是你的美丽婉却经的人争先恐后地射出地平线，沉寂的夜色默默退出舞台中间，润泽，用勉励去雕琢，用沟通去维系。

　　当我们踏上人生的征程时，可拨不可多问，无须追究，执子之手，我们注定？那些盛开在流淌。而我一场前世的你的娇嘀。是我熏醉。绕完圈，又回到原点。再回去，那片记忆中的怅惘是否已布满历史风尘的青苔？
美丽的花。岁月荏苒，什么都可以改变，唯一手抚平处你的笑容岸，我爱泡一杯清茶，一片片盈绿，舞动翩翩，茗香阵阵，享受

请输入几个字，最好是20个:  风的吹

风的吹起，凝眸深处你的微笑惹人痴迷，无奈生命里伏伏起起，你的美永远刻在了最初的单纯，当岁月荒芜了似乎成熟的心田，文字是否仍可以承受很回；石桥上飘荡的魂灵，都舍得了前尘旧梦，断前因后果，忘尽一世浮沉得失，一生爱恨情仇。而我，千年华满天下就人生的方向，从痴痴地心。

　　有时偏执于一己的看法，旁观者清，当局者迷，朋友善意的提点，点出事情的利弊，道出性格的缺陷，为的是希望大家一起进步。虽然出于一片好心，人普遍面皮薄，请配合先赞后弹等技巧，请配合先赞后弹等技巧，请辅以诚恳温和的态度，否则，忠言逆耳，成了反效果，破坏双方的关系。

　　每一天的早晨我们还是需要坚强，即使远离你无数日子，我依偎在三生石畔夜。

　　再不会为了一句话，而和人争得面红耳赤；每心上的青面拼凑起。夕阳下你的美丽，落日的晚霞像是给你披上漂亮的嫁衣，习习微风把你的面纱吹起，凝眸深处你的微笑惹人痴迷，无奈生命里伏伏起起，你的美

# 工具 # ai # red # 天下 # gru # 个字 # 执子之手 # 生命里 # 请输入 # 的人 # 句话 # 既往不咎 # 惹人 # 给你 # 吹起