DL之RNN:人工智能为你写周董歌词——基于TF利用RNN算法实现【机器为你作词】、训练&测试过程全记录

简介: DL之RNN:人工智能为你写周董歌词——基于TF利用RNN算法实现【机器为你作词】、训练&测试过程全记录

输出结果


1、test01


夕海

而我在等待之光

在月前被画面

而我心碎 你的个世纪

你的时间

我在赶过去

我的不是你不会感觉妈妈

我说不要不要说 我会爱你

我不要你不会

我不能不会别人

这样的人们我们不要

我会不要再见

你的时光机

这些爱 不要会会爱你

你也能再不要承诺

我只要这种种多简单

你的我的大人 我不会别以

我的感觉不好我走

你说你已经不能够继续

你说你爱我

你不会再想你

不会怕你 我会不要我

我不想再有一口

我要想你我不要再人

包容 你没有回忆

不要我不会感觉不来

我的不要你没有错觉

不能承受我已无奈单

不能要不要再要我会多爱我

能是我不是我

我要离开

2、test01


我说的你爱我的手

我们不能够沉默

我们的感觉

我们的爱情 我们的不是 一个人

让我们乘着阳光

让你在窗窗外面

我一路向北

一直在秋天

你的世界 是我心中不来

你的我爱你 我们

你的爱我 让我给你的美 

我知道这里说你不是我的人爱

这样不会停留我的伤的

我说不要再要 我要一种悲哀

不是你的我不想我不能说说

没有你烦恼

我只能听过

我说我会不要你的爱

你说你不想听你

我不会感动的天  你要的话

我不要我的爱我

我知道这个世人不会感开了我

你我在等待

不会怕我的感觉你说我在我的手 一定有人都没不错

不要问你不要要的人

我想你我不要再知事

我也能不会再想

但我有人爱你的我爱

你说我说一点走

让我们在半边 的照跳我没有

我说的感觉 我会想你  不要我的微笑就想多快乐

我不会再要我想不得

这么多小丑你要想走

我只是你的感觉

3、test01




模型监控






训练、测试过程全记录


1、训练过程


2018-10-13 21:25:28.646563:

step: 10/10000...  loss: 6.4094...  0.2286 sec/batch

step: 20/10000...  loss: 6.1287...  0.2296 sec/batch

step: 30/10000...  loss: 6.1107...  0.2211 sec/batch

step: 40/10000...  loss: 5.8126...  0.2467 sec/batch

step: 50/10000...  loss: 5.6969...  0.2366 sec/batch

step: 60/10000...  loss: 5.6081...  0.2406 sec/batch

step: 70/10000...  loss: 5.7305...  0.2411 sec/batch

step: 80/10000...  loss: 5.6465...  0.2441 sec/batch

step: 90/10000...  loss: 5.4519...  0.2381 sec/batch

step: 100/10000...  loss: 5.4479...  0.2271 sec/batch

step: 110/10000...  loss: 5.4051...  0.2236 sec/batch

step: 120/10000...  loss: 5.5111...  0.2226 sec/batch

step: 130/10000...  loss: 5.4023...  0.2311 sec/batch

step: 140/10000...  loss: 5.3445...  0.2266 sec/batch

step: 150/10000...  loss: 5.5066...  0.2326 sec/batch

step: 160/10000...  loss: 5.3925...  0.2376 sec/batch

step: 170/10000...  loss: 5.4850...  0.2326 sec/batch

step: 180/10000...  loss: 5.3654...  0.2206 sec/batch

step: 190/10000...  loss: 5.4041...  0.2421 sec/batch

step: 200/10000...  loss: 5.3814...  0.2181 sec/batch

……

step: 6800/10000...  loss: 3.0295...  0.2416 sec/batch

step: 6810/10000...  loss: 3.0675...  0.2747 sec/batch

step: 6820/10000...  loss: 3.0043...  0.2667 sec/batch

step: 6830/10000...  loss: 3.0258...  0.2276 sec/batch

step: 6840/10000...  loss: 2.8450...  0.2888 sec/batch

step: 6850/10000...  loss: 3.0091...  0.2797 sec/batch

step: 6860/10000...  loss: 3.1547...  0.2888 sec/batch

step: 6870/10000...  loss: 3.1725...  0.3108 sec/batch

step: 6880/10000...  loss: 2.8332...  0.2236 sec/batch

step: 6890/10000...  loss: 2.9765...  0.2186 sec/batch

step: 6900/10000...  loss: 3.0040...  0.2306 sec/batch

step: 6910/10000...  loss: 3.2340...  0.2136 sec/batch

step: 6920/10000...  loss: 2.8041...  0.2988 sec/batch

step: 6930/10000...  loss: 2.9514...  0.2216 sec/batch

step: 6940/10000...  loss: 3.1620...  0.2236 sec/batch

step: 6950/10000...  loss: 3.0633...  0.2136 sec/batch

step: 6960/10000...  loss: 2.8951...  0.2667 sec/batch

step: 6970/10000...  loss: 3.0201...  0.2206 sec/batch

step: 6980/10000...  loss: 3.0102...  0.2737 sec/batch

step: 6990/10000...  loss: 2.9885...  0.2527 sec/batch

step: 7000/10000...  loss: 3.1201...  0.2477 sec/batch

……

step: 8300/10000...  loss: 2.8474...  0.2296 sec/batch

step: 8310/10000...  loss: 2.8842...  0.2386 sec/batch

step: 8320/10000...  loss: 3.0446...  0.2246 sec/batch

step: 8330/10000...  loss: 3.0165...  0.2537 sec/batch

step: 8340/10000...  loss: 3.1366...  0.2266 sec/batch

step: 8350/10000...  loss: 2.9173...  0.3058 sec/batch

step: 8360/10000...  loss: 2.8468...  0.2356 sec/batch

step: 8370/10000...  loss: 3.0512...  0.2406 sec/batch

step: 8380/10000...  loss: 2.7532...  0.2286 sec/batch

step: 8390/10000...  loss: 3.0108...  0.2136 sec/batch

step: 8400/10000...  loss: 3.0818...  0.2787 sec/batch

step: 8410/10000...  loss: 2.9988...  0.2406 sec/batch

step: 8420/10000...  loss: 2.7640...  0.3449 sec/batch

step: 8430/10000...  loss: 3.0735...  0.2356 sec/batch

step: 8440/10000...  loss: 2.9183...  0.3610 sec/batch

step: 8450/10000...  loss: 2.9278...  0.3168 sec/batch

step: 8460/10000...  loss: 3.1321...  0.3660 sec/batch

step: 8470/10000...  loss: 2.9080...  0.2547 sec/batch

step: 8480/10000...  loss: 2.7861...  0.3108 sec/batch

step: 8490/10000...  loss: 3.0054...  0.2878 sec/batch

step: 8500/10000...  loss: 2.9389...  0.2366 sec/batch

……

step: 9800/10000...  loss: 2.8674...  0.3930 sec/batch

step: 9810/10000...  loss: 2.8695...  0.2136 sec/batch

step: 9820/10000...  loss: 2.8561...  0.2356 sec/batch

step: 9830/10000...  loss: 2.8824...  0.2186 sec/batch

step: 9840/10000...  loss: 2.8722...  0.2386 sec/batch

step: 9850/10000...  loss: 2.7315...  0.2116 sec/batch

step: 9860/10000...  loss: 2.8568...  0.2507 sec/batch

step: 9870/10000...  loss: 2.9153...  0.2216 sec/batch

step: 9880/10000...  loss: 2.9715...  0.2296 sec/batch

step: 9890/10000...  loss: 2.6941...  0.2256 sec/batch

step: 9900/10000...  loss: 2.7294...  0.3038 sec/batch

step: 9910/10000...  loss: 2.8968...  0.2376 sec/batch

step: 9920/10000...  loss: 2.9734...  0.2426 sec/batch

step: 9930/10000...  loss: 2.6401...  0.2276 sec/batch

step: 9940/10000...  loss: 2.8176...  0.2767 sec/batch

step: 9950/10000...  loss: 2.9532...  0.3429 sec/batch

step: 9960/10000...  loss: 2.9369...  0.2166 sec/batch

step: 9970/10000...  loss: 2.7590...  0.2206 sec/batch

step: 9980/10000...  loss: 2.8109...  0.2446 sec/batch

step: 9990/10000...  loss: 2.8011...  0.3038 sec/batch

step: 10000/10000...  loss: 2.8250...  0.3660 sec/batch




训练的数据集


1、训练的数据集为很多歌词


夜的第七章

打字机继续推向接近事实的那下一行

石楠烟斗的雾

飘向枯萎的树

沉默地对我哭诉

贝克街旁的圆形广场

盔甲骑士背上

鸢尾花的徽章 微亮

无人马车声响

深夜的拜访

邪恶在 维多利亚的月光下

血色的开场

消失的手枪

焦黑的手杖

融化的蜡像谁不在场

珠宝箱上 符号的假象

矛盾通往 他堆砌的死巷

证据被完美埋葬

那嘲弄苏格兰警场 的嘴角上扬

如果邪恶 是华丽残酷的乐章

它的终场 我会亲手写上

晨曦的光 风干最后一行忧伤

黑色的墨 染上安详

事实只能穿向

没有脚印的土壤

突兀的细微花香

刻意显眼的服装

每个人为不同的理由戴着面具说谎

动机也只有一种名字 那 叫做欲望

fafade~~fade~~fafa~

dedefa~~fade~~fafa~~

越过人性的沼泽

谁真的可以不被弄脏

我们可以 遗忘 原谅 但必须 知道真相

被移动过的铁床 那最后一块图终于拼上

我听见脚步声 预料的软皮鞋跟

他推开门 晚风晃了 煤油灯 一阵

打字机停在凶手的名称我转身

西敏寺的夜空 开始沸腾

在胸口绽放 艳丽的 死亡

我品尝着最后一口甜美的 真相

微笑回想正义只是安静的伸张

提琴在泰晤士

如果邪恶 是华丽残酷的乐章

它的终场 我会亲手写上

黑色的墨 染上安详

如果邪恶

是华丽残酷的乐章

它的终场 我会亲手写上

晨曦的光

风干最后一行忧伤

黑色的墨染上安详

黑色的墨染上安详

小朋友 你是否有很多问号

为什么 别人在那看漫画

我却在学画画 对着钢琴说话

别人在玩游戏 我却靠在墙壁背我的ABC

我说我要一台大大的飞机

但却得到一只旧旧录音机

为什么要听妈妈的话

长大后你就会开始懂了这段话 哼

长大后我开始明白

为什么我 跑得比别人快

飞得比别人高

将来大家看的都是我画的漫画

大家唱的都是 我写的歌

妈妈的辛苦 不让你看见

温暖的食谱在她心里面

有空就多多握握她的手

把手牵着一起梦游

听妈妈的话 别让她受伤

想快快长大 才能保护她

美丽的白发 幸福中发芽

天使的魔法 温暖中慈祥

在你的未来 音乐是你的王牌

拿王牌谈个恋爱

而我不想把你教坏

还是听妈妈的话吧

晚点再恋爱吧

我知道你未来的路

但妈比我更清楚

你会开始学其他同学

在书包写东写西

但我建议最好写妈妈

我会用功读书

用功读书 怎么会从我嘴巴说出

不想你输 所以要叫你用功读书

妈妈织给你的毛衣 你要好好的收着

因为母亲节到的时候我要告诉她我还留着

对了!我会遇到了周润发

所以你可以跟同学炫耀

赌神未来是你爸爸

我找不到 童年写的情书

你写完不要送人

因为过两天你会在操场上捡到

你会开始喜欢上流行歌

因为张学友开始准备唱《吻别》

听妈妈的话 别让她受伤

想快快长大 才能保护她

美丽的白发 幸福中发芽

天使的魔法 温暖中慈祥

听妈妈的话 别让她受伤

想快快长大 才能保护她

长大后我开始明白

为什么我 跑得比别人快

飞得比别人高

将来大家看的都是我画的漫画

大家唱的都是 我写的歌

妈妈的辛苦 不让你看见

温暖的食谱在她心里面

有空就多多握握她的手

把手牵着一起梦游

听妈妈的话 别让她受伤

想快快长大 才能保护她

美丽的白发 幸福中发芽

天使的魔法 温暖中慈祥

 


相关文章
|
12天前
|
并行计算 算法 测试技术
C语言因高效灵活被广泛应用于软件开发。本文探讨了优化C语言程序性能的策略,涵盖算法优化、代码结构优化、内存管理优化、编译器优化、数据结构优化、并行计算优化及性能测试与分析七个方面
C语言因高效灵活被广泛应用于软件开发。本文探讨了优化C语言程序性能的策略,涵盖算法优化、代码结构优化、内存管理优化、编译器优化、数据结构优化、并行计算优化及性能测试与分析七个方面,旨在通过综合策略提升程序性能,满足实际需求。
36 1
|
1月前
|
机器学习/深度学习 自然语言处理 前端开发
前端神经网络入门:Brain.js - 详细介绍和对比不同的实现 - CNN、RNN、DNN、FFNN -无需准备环境打开浏览器即可测试运行-支持WebGPU加速
本文介绍了如何使用 JavaScript 神经网络库 **Brain.js** 实现不同类型的神经网络,包括前馈神经网络(FFNN)、深度神经网络(DNN)和循环神经网络(RNN)。通过简单的示例和代码,帮助前端开发者快速入门并理解神经网络的基本概念。文章还对比了各类神经网络的特点和适用场景,并简要介绍了卷积神经网络(CNN)的替代方案。
|
1月前
|
机器学习/深度学习 人工智能 自然语言处理
人工智能与艺术创作:机器与创造力
【10月更文挑战第31天】本文探讨了人工智能在艺术创作中的应用,涵盖绘画、音乐和文学等领域。通过深度学习、生成模型和强化学习等技术,AI正重新定义创造力的概念,辅助艺术家创作,并激发新的艺术形式。文章还讨论了AI对人类创造力的影响及未来发展趋势。
|
2月前
|
JSON 算法 数据可视化
测试专项笔记(一): 通过算法能力接口返回的检测结果完成相关指标的计算(目标检测)
这篇文章是关于如何通过算法接口返回的目标检测结果来计算性能指标的笔记。它涵盖了任务描述、指标分析(包括TP、FP、FN、TN、精准率和召回率),接口处理,数据集处理,以及如何使用实用工具进行文件操作和数据可视化。文章还提供了一些Python代码示例,用于处理图像文件、转换数据格式以及计算目标检测的性能指标。
71 0
测试专项笔记(一): 通过算法能力接口返回的检测结果完成相关指标的计算(目标检测)
|
3月前
|
机器学习/深度学习 人工智能 算法
人工智能在艺术创作中的创新应用:机器创作的未来
【9月更文挑战第25天】 人工智能在艺术创作中的创新应用,不仅为艺术家们提供了全新的创作工具和媒介,更在创作理念、艺术形态等方面带来了深刻的变革。随着技术的不断发展和完善,机器创作将在未来展现出更加广阔的发展前景。我们期待在人工智能的助力下,艺术创作能够迎来更加繁荣和多元的未来。
|
4月前
|
机器学习/深度学习 自然语言处理 算法
利用机器学习算法进行自动化测试
利用机器学习算法进行自动化测试
|
4月前
|
机器学习/深度学习 人工智能 自动驾驶
人工智能的伦理困境:机器的自主性与人类的责任
【8月更文挑战第8天】在人工智能技术飞速发展的今天,一个日益凸显的问题是关于AI的伦理困境。随着机器学习和深度学习技术的进步,AI系统展现出越来越高的自主性,这引发了关于人类责任和控制的哲学讨论。本文将探讨AI自主性的提升如何影响人类的伦理责任,以及我们应如何平衡技术进步与道德考量。
|
4月前
|
机器学习/深度学习 人工智能 算法
人工智能的伦理困境:机器决策与人类价值观的碰撞
【8月更文挑战第23天】在人工智能(AI)技术飞速发展的时代,机器学习算法已渗透进我们生活的方方面面,从日常消费推荐到医疗诊断,再到司法判决。然而,随着AI决策能力的增强,一系列伦理问题也随之浮现。本文将探讨AI决策背后的伦理挑战,包括数据偏见、隐私保护、责任归属以及自主性与控制的问题,并思考如何在技术进步的同时维护人类的价值观和伦理标准。
|
4月前
|
人工智能 自动驾驶 开发者
人工智能伦理困境:机器自主性与人类责任
在人工智能技术迅猛发展的今天,我们面临着一个前所未有的伦理挑战。随着机器智能的不断提升,它们在决策过程中展现出越来越多的自主性。本文将探讨这一现象背后的伦理问题,特别是当AI系统的行为导致负面后果时,我们应如何界定人类的责任。我们将分析几个关键领域,包括自动驾驶汽车、医疗诊断以及军事应用,来揭示当前的法律和道德框架在应对这些挑战时的不足之处。通过提出一系列针对性的建议,本文旨在推动对AI伦理问题的深入讨论,并促进相关法规的完善。
|
机器学习/深度学习 人工智能 iOS开发