深度学习实战：keras框架，循环神经网络做文本预测和文本生成_in order to run _eagerconst: dst tensor is not ini

学习笔记。仅供参考！

1.介绍

基于keras框架的深度学习实战，利用三国演义文本集，LSTM神经网络模型，训练文本数据，预测文本，自动生成文本。
本文使用Sequential 顺序模型，它可以由多个网络层线性堆叠。也可以使用 Keras 函数式 API，可以构建任意的神经网络图。

Sequential 模型如下所示：

from keras.models import Sequential
model =Sequential()

使用 .add() 来堆叠模型：

from keras.layers import Dense
model.add(Dense(units=64, activation=‘relu’, input_dim=100))
model.add(Dense(units=10, activation=‘softmax’))

在完成了模型的构建后, 使用.compile() 来配置学习过程：

model.compile(loss=‘categorical_crossentropy’, optimizer=‘sgd’,metrics=[‘accuracy’])

如果需要，进一步地配置你的优化器。Keras 的核心原则是使事情变得相当简单，同时又允许用户在需要的时候能够进行完全的控制（终极的控制是源代码的易扩展性。

model.compile(loss=keras.losses.categorical_crossentropy,optimizer=keras.optimizers.SGD(lr=0.01, momentum=0.9, nesterov=True))

现在，你可以批量地在训练数据上进行迭代了：

model.fit(x_train, y_train, epochs=5, batch_size=32)

或者，你可以手动地将批次的数据提供给模型

model.train_on_batch(x_batch, y_batch)

只需一行代码就能评估模型性能：

loss_and_metrics = model.evaluate(x_test, y_test, batch_size=128)

对新的数据生成预测：

classes = model.predict(x_test, batch_size=128)

三国演义文本数据自取：
链接：https://pan.baidu.com/s/19-MktXVj2SaKGmAMIgVnFg
提取码：ri9w

2.数据处理

数据处理，思路：60000多个字符集，按照步长为3做平移，得到20000多个长度为20的样本，作为输入X，每20个字符来预测第21个字符Y，sentences = [ ] 是X的集合，next_chars = [ ]是Y的集合

加载数据集
    f = open('三国演义.txt', encoding='utf-8')
    text = f.read()
    print(text[:300])
    f.close()
    print('语料总长度：', len(text))
    sent_len = 20  # 样本长度，用前20个字来预测第21个字
    step = 3  # 在总文本上面平移取样本，步长为3
    sentences = []  # 样本集X，用来预测
    next_chars = []  # 样本集Y，真实值
    for i in range(0, len(text) - sent_len, step):
        # 获取样本，20个字符为一个样本，步长为3
        sentences.append(text[i:i + sent_len])
        # 预测文本的真实值
        next_chars.append(text[i + sent_len])
    print('训练样本数目：', len(sentences))
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16

创建字典，根据索引对应相应的字符，N表示字典个数

char_set = sorted(list(set(text)))  # 创建字典，文本的字符集,sorted()对文本进行排序
    N = len(char_set)  # 字典的长度，字的个数
    print('字典中字的个数：', N)
    # 根据值来获取索引，存入字典
    char_indices = dict((char, index) for index, char in enumerate(char_set))
    print(char_indices)
    '''
    语料总长度： 603705 >>>>文本总字符
    训练样本数目： 201229 >>>>>取步长为3，得到训练样本2w
    字典中字的个数： 3843 >>>>>根据N中字符的index来做one-hot编码，取index为1，其余取0
    '''
1
2
3
4
5
6
7
8
9
10
11

对于输如样本X，是一个三维张量，（样本数量，样本长度，词向量N），利用N来表示词向量，将N中的值置为0，再根据char_indices ，将对应的字符找到相应的索引值，置为1，进而将词向量转成one-hot编码

print('Vectorization...')
    print(len(sentences), sent_len, len(char_set))
    #  len(sentences), sent_len, len(char_set):     201229 20 3843

    # 将样本数据np.zeros（）张量数据置0，这里的N就是每一个字的词向量
    x = np.zeros((len(sentences), sent_len, N), dtype=bool)  # X用来做预测
    y = np.zeros((len(sentences), len(char_set)), dtype=bool)  # Y 真实集，sent_len=1
    # 对每一个字做one-hot编码，构成词向量
    for i, sentence in enumerate(sentences):
        for t, char in enumerate(sentence):
            x[i
1
2
3
4
5
6
7
8
9
10