【2020华为云AI实战营】哎哟不错哦ModelArts教你写歌

周杰伦几乎陪伴了每个90后的青春，那如果AI写杰伦风格的歌词会写成怎样呢？

首先当然我们需要准备杰伦的歌词，这里一共收录了他的十几张专辑，近5000多行歌词。

原文档格式：

第一步数据预处理

def preprocess(data):     """     对文本中的字符进行替换，空格转换成逗号；换行变为句号。     """     data = data.replace(' ', '，')     data = data.replace('\n', '。')     words = jieba.lcut(data, cut_all=False) # 全模式切词     return words

处理后结果：

前10个词: ['想要', '有', '直升机', '。', '想要', '和', '你', '飞到', '宇宙', '去']

将处理完的数据写入内存并将文本转换完数字

# 构造词典及映射 vocab = set(text) vocab_to_int = {w: idx for idx, w in enumerate(vocab)} int_to_vocab = {idx: w for idx, w in enumerate(vocab)} # 转换文本为整数 int_text = [vocab_to_int[w] for w in text]

构建神经网络

a. 构建输入层

def get_inputs():     inputs = tf.placeholder(tf.int32, [None, None], name='inputs')     targets = tf.placeholder(tf.int32, [None, None], name='targets')     learning_rate = tf.placeholder(tf.float32, name='learning_rate')     return inputs, targets, learning_rate

b. 构建堆叠RNN单元

其中rnn_size指的是RNN隐层神经元个数

def get_init_cell(batch_size, rnn_size):     lstm = tf.contrib.rnn.BasicLSTMCell(rnn_size)     cell = tf.contrib.rnn.MultiRNNCell([lstm])          initial_state = cell.zero_state(batch_size, tf.float32)     initial_state = tf.identity(initial_state, 'initial_state')     return cell, initial_state

c. Word Embedding

因为单词太多，所以需要进行embedding，模型中加入Embedding层来降低输入词的维度

def get_embed(input_data, vocab_size, embed_dim):     embedding = tf.Variable(tf.random_uniform([vocab_size, embed_dim], -1, 1))     embed = tf.nn.embedding_lookup(embedding, input_data)          return embed

d. 构建神经网络，将RNN层与全连接层相连

其中cell为RNN单元； rnn_size: RNN隐层结点数量；input_data即input tensor；vocab_size：词汇表大小； embed_dim: 嵌入层大小

def build_nn(cell, rnn_size, input_data, vocab_size, embed_dim):     embed = get_embed(input_data, vocab_size, embed_dim)     outputs, final_state = build_rnn(cell, embed)          logits = tf.contrib.layers.fully_connected(outputs, vocab_size, activation_fn=None)          return logits, final_state

e. 构造batch

这里我们根据batch_size和seq_length分为len//(batch_size*seq_length)个batch，每个batch包含输入和对应的目标输出

def get_batches(int_text, batch_size, seq_length):     '''     构造batch     '''     batch = batch_size * seq_length     n_batch = len(int_text) // batch          int_text = np.array(int_text[:batch * n_batch]) # 保留能构成完整batch的数量          int_text_targets = np.zeros_like(int_text)     int_text_targets[:-1], int_text_targets[-1] = int_text[1:], int_text[0]          # 切分     x = np.split(int_text.reshape(batch_size, -1), n_batch, -1)     y = np.split(int_text_targets.reshape(batch_size, -1), n_batch, -1)          return np.stack((x, y), axis=1) # 组合

模型训练

from tensorflow.contrib import seq2seq train_graph = tf.Graph() with train_graph.as_default():     vocab_size = len(int_to_vocab) # vocab_size     input_text, targets, lr = get_inputs() # 输入tensor     input_data_shape = tf.shape(input_text)     # 初始化RNN     cell, initial_state = get_init_cell(input_data_shape[0], rnn_size)     logits, final_state = build_nn(cell, rnn_size, input_text, vocab_size, embed_dim)     # 计算softmax层概率     probs = tf.nn.softmax(logits, name='probs')     # 损失函数     cost = seq2seq.sequence_loss(         logits,         targets,         tf.ones([input_data_shape[0], input_data_shape[1]]))     # 优化函数     optimizer = tf.train.AdamOptimizer(lr)     # Gradient Clipping     gradients = optimizer.compute_gradients(cost)     capped_gradients = [(tf.clip_by_value(grad, -1., 1.), var) for grad, var in gradients if grad is not None]     train_op = optimizer.apply_gradients(capped_gradients)

训练结果

Epoch  72 Batch   24/33   train_loss = 0.108 Epoch  75 Batch   25/33   train_loss = 0.104 Epoch  78 Batch   26/33   train_loss = 0.096 Epoch  81 Batch   27/33   train_loss = 0.111 Epoch  84 Batch   28/33   train_loss = 0.119 Epoch  87 Batch   29/33   train_loss = 0.130 Epoch  90 Batch   30/33   train_loss = 0.141 Epoch  93 Batch   31/33   train_loss = 0.138 Epoch  96 Batch   32/33   train_loss = 0.153 Model Trained and Saved

train_loss还不错，不过可能过拟合了。

最后让我们加载模型，看看生成情况

# 加载模型     loader = tf.train.import_meta_graph(save_dir + '.meta')     loader.restore(sess, save_dir)     # 获取训练的结果参数     input_text, initial_state, final_state, probs = get_tensors(loaded_graph)     # Sentences generation setup     gen_sentences = [prime_word]     prev_state = sess.run(initial_state, {input_text: np.array([[1]])})     # 生成句子     for n in range(gen_length):         dyn_input = [[vocab_to_int[word] for word in gen_sentences[-seq_length:]]]         dyn_seq_length = len(dyn_input[0])         # 预测         probabilities, prev_state = sess.run(             [probs, final_state],             {input_text: dyn_input, initial_state: prev_state})         # 选择单词进行文本生成，用来以一定的概率生成下一个词         pred_word = pick_word(probabilities[0][dyn_seq_length - 1], int_to_vocab)         gen_sentences.append(pred_word)

哎哟不错哦！

最后的最后我还扩大了歌词库，这次引入了更多流行歌手，来看看效果吧。

好像更不错了！

如果你也喜欢杰伦，请并分享生成的歌词。

附件： data.zip 390.70KB 下载次数：4次

AI开发平台ModelArts EI企业智能

版权声明：本文内容由网络用户投稿，版权归原作者所有，本站不拥有其著作权，亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容，请联系我们jiasou666@gmail.com 处理，核实后本网站将在24小时内删除侵权内容。