DL之RNN:人工智能为你写歌词(林夕写给陈奕迅)——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:人工智能为你写歌词(林夕写给陈奕迅)——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


你的背包

一个人过我 谁不属了

不甘心 不能回头

我的背包载管这个

谁让我们是要不可

但求跟你过一生

你把我灌醉

即使嘴角从来未爱我

煽到你脖子

谁能凭我的比我

无赏

其实我的一切麻痹 我听过

不能够大到

爱人没有用

你想去哪里

如果美好不变可以

我会珍惜我最爱

我想将

鼓励爱你的

为何爱你不到你

我会加油工作争取享受和拼搏

三餐加一宿光档也许会寂寞

你想将

双手的温暖附托是你不知

但无守没抱过

不影响你不敢哭

其实没有火花 没抱动

不能够沉重

从来未休疚不够你不会

请你 这些眼发后

没有手机的日子

2、test02


谁来请你坐

全为你分声不需可怕

没有人机有几敷衍过的

难道再侣 被不想去为你

不如这样

你不爱你的

没有人歌颂

全一边扶暖之远一天一百万人

拥有殿军我想到我多 你真爱

从来未爱我 我们在

我有我是我们憎我 我不属于我

我想将

你的背包

原来不能回到你一起

难道我是谁也爱你 要不属力 不知道明年今日

明年今日 不是我不得到

爱你的背上我要

从来未不肯会 就要你不有

我会拖手会不会

难道我跟我眼睛的错 

全为这世上谁是你

不够爱你的汗

谁能来我的比你闷

不具名的演员没得到手的故事

不够含泪一个人 这么迂会

我们在

3、test03


谁来请你坐

全为你分声不需可怕

没有人机有几敷衍过的

难道再侣 被不想去为你

不如这样

你不爱你的

没有人歌颂

全一边扶暖之远一天一百万人

拥有殿军我想到我多 你真爱

从来未爱我 我们在

我有我是我们憎我 我不属于我

我想将

你的背包

原来不能回到你一起

难道我是谁也爱你 要不属力 不知道明年今日

明年今日 不是我不得到

爱你的背上我要

从来未不肯会 就要你不有

我会拖手会不会

难道我跟我眼睛的错 

全为这世上谁是你

不够爱你的汗

谁能来我的比你闷

不具名的演员没得到手的故事

不够含泪一个人 这么迂会

我们在

模型监控






训练、测试过程全记录


1、训练过程


2018-10-14 07:31:33.515130: I tensorflow/core/platform/cpu_feature_guard.cc:141] Your CPU supports instructions that this TensorFlow binary was not compiled to use: AVX2

step: 10/10000...  loss: 5.9560...  0.1500 sec/batch

step: 20/10000...  loss: 5.8495...  0.1300 sec/batch

step: 30/10000...  loss: 5.6970...  0.1600 sec/batch

step: 40/10000...  loss: 5.5893...  0.1300 sec/batch

step: 50/10000...  loss: 5.4582...  0.1300 sec/batch

step: 60/10000...  loss: 5.3003...  0.1400 sec/batch

step: 70/10000...  loss: 5.2871...  0.1600 sec/batch

step: 80/10000...  loss: 5.3841...  0.1500 sec/batch

step: 90/10000...  loss: 5.2470...  0.1400 sec/batch

step: 100/10000...  loss: 5.3061...  0.1500 sec/batch

……

step: 950/10000...  loss: 4.0972...  0.1600 sec/batch

step: 960/10000...  loss: 3.9542...  0.1900 sec/batch

step: 970/10000...  loss: 4.0406...  0.1500 sec/batch

step: 980/10000...  loss: 4.1385...  0.1400 sec/batch

step: 990/10000...  loss: 3.9897...  0.1600 sec/batch

step: 1000/10000...  loss: 3.9653...  0.1400 sec/batch

step: 1010/10000...  loss: 4.0501...  0.1300 sec/batch

step: 1020/10000...  loss: 3.9391...  0.1200 sec/batch

step: 1030/10000...  loss: 4.1195...  0.1400 sec/batch

step: 1040/10000...  loss: 3.9310...  0.1300 sec/batch

step: 1050/10000...  loss: 3.8972...  0.1200 sec/batch

step: 1060/10000...  loss: 3.9801...  0.1200 sec/batch

step: 1070/10000...  loss: 4.0620...  0.1200 sec/batch

step: 1080/10000...  loss: 3.8817...  0.1200 sec/batch

step: 1090/10000...  loss: 3.9839...  0.1301 sec/batch

step: 1100/10000...  loss: 3.9646...  0.1479 sec/batch

……

step: 4980/10000...  loss: 2.8199...  0.1200 sec/batch

step: 4990/10000...  loss: 2.9057...  0.1200 sec/batch

step: 5000/10000...  loss: 2.8073...  0.1300 sec/batch

step: 5010/10000...  loss: 2.6680...  0.1200 sec/batch

step: 5020/10000...  loss: 2.7442...  0.1200 sec/batch

step: 5030/10000...  loss: 2.7590...  0.1300 sec/batch

step: 5040/10000...  loss: 2.6470...  0.1300 sec/batch

step: 5050/10000...  loss: 2.7808...  0.1200 sec/batch

step: 5060/10000...  loss: 2.7322...  0.1200 sec/batch

step: 5070/10000...  loss: 2.8775...  0.1200 sec/batch

step: 5080/10000...  loss: 2.8139...  0.1200 sec/batch

step: 5090/10000...  loss: 2.7857...  0.1200 sec/batch

step: 5100/10000...  loss: 2.7652...  0.1200 sec/batch

step: 5110/10000...  loss: 2.8216...  0.1200 sec/batch

step: 5120/10000...  loss: 2.8843...  0.1200 sec/batch

step: 5130/10000...  loss: 3.0093...  0.1300 sec/batch

step: 5140/10000...  loss: 2.7560...  0.1200 sec/batch

step: 5150/10000...  loss: 2.7263...  0.1200 sec/batch

step: 5160/10000...  loss: 2.8014...  0.1200 sec/batch

step: 5170/10000...  loss: 2.7410...  0.1200 sec/batch

step: 5180/10000...  loss: 2.7335...  0.1200 sec/batch

step: 5190/10000...  loss: 2.8362...  0.1200 sec/batch

step: 5200/10000...  loss: 2.6725...  0.1300 sec/batch

……

step: 9690/10000...  loss: 2.3264...  0.1463 sec/batch

step: 9700/10000...  loss: 2.5150...  0.1425 sec/batch

step: 9710/10000...  loss: 2.3348...  0.1200 sec/batch

step: 9720/10000...  loss: 2.4240...  0.1277 sec/batch

step: 9730/10000...  loss: 2.4282...  0.1293 sec/batch

step: 9740/10000...  loss: 2.5858...  0.1232 sec/batch

step: 9750/10000...  loss: 2.2951...  0.1305 sec/batch

step: 9760/10000...  loss: 2.3257...  0.1263 sec/batch

step: 9770/10000...  loss: 2.4495...  0.1253 sec/batch

step: 9780/10000...  loss: 2.4302...  0.1289 sec/batch

step: 9790/10000...  loss: 2.5102...  0.1299 sec/batch

step: 9800/10000...  loss: 2.8486...  0.1254 sec/batch

……

step: 9900/10000...  loss: 2.4408...  0.1330 sec/batch

step: 9910/10000...  loss: 2.5797...  0.1275 sec/batch

step: 9920/10000...  loss: 2.4788...  0.1384 sec/batch

step: 9930/10000...  loss: 2.3162...  0.1312 sec/batch

step: 9940/10000...  loss: 2.3753...  0.1324 sec/batch

step: 9950/10000...  loss: 2.5156...  0.1584 sec/batch

step: 9960/10000...  loss: 2.4312...  0.1558 sec/batch

step: 9970/10000...  loss: 2.3816...  0.1279 sec/batch

step: 9980/10000...  loss: 2.3760...  0.1293 sec/batch

step: 9990/10000...  loss: 2.3829...  0.1315 sec/batch

step: 10000/10000...  loss: 2.3973...  0.1337 sec/batch

训练的数据集


1、训练的数据集为林夕写给陈奕迅的歌词,来源于网络


陈奕迅 - 梦想天空分外蓝

一天天的生活

一边怀念 一边体验

刚刚说了再见 又再见

一段段的故事

一边回顾 一边向前

别人的情节总有我的画面

只要有心就能看见

从白云看到 不变蓝天

从风雨寻回 梦的起点

海阔天空的颜色

就像梦想那么耀眼

用心就能看见

从陌生的脸 看到明天

从熟悉经典 翻出新篇

过眼的不只云烟

有梦就有蓝天

相信就能看见

美梦是个气球

签在手上 向往蓝天

不管高低不曾远离 我视线

生命是个舞台

不用排练 尽情表演

感动过的片段百看不厌

只要有心就能看见

从白云看到 不变蓝天

从风雨寻回 梦的起点

海阔天空的颜色

就像梦想那么耀眼

用心就能看见

从陌生的脸 看到明天

从熟悉经典 翻出新篇

过眼的不只云烟

相信梦想就能看见

有太多一面之缘 值得被留恋

总有感动的事 等待被发现

梦想天空分外蓝 今夕何年

Oh 看不厌

用心就能看见

从白云看到 不变蓝天

从风雨寻回 梦的起点

海阔天空的颜色

就像梦想那么耀眼

用心就能看见

从陌生的脸 看到明天

从熟悉经典 翻出新篇

过眼的不只云烟

有梦就有蓝天

相信就能看见

美梦是个气球

签在手上 向往蓝天

不管高低不曾远离 我视线

梦想是个诺言

记在心上 写在面前

因为相信 所以我看得见



相关文章
|
3月前
|
人工智能 算法 测试技术
软件测试中的人工智能革命
本文深入探讨了人工智能在软件测试中的应用,揭示了这一技术革新如何改变传统的测试流程。通过分析人工智能技术的优势、具体应用案例以及面临的挑战,文章展示了AI如何提高测试效率、减少人为错误,并预测其在未来软件测试中的趋势。此外,文章还提出了针对当前挑战的解决策略,为软件测试行业的从业者提供了宝贵的参考和启示。
42 4
|
2月前
|
机器学习/深度学习 人工智能 自然语言处理
软件测试中的人工智能革命:现状与未来展望
【10月更文挑战第2天】 本文深入探讨了人工智能在软件测试领域的应用现状、面临的挑战以及未来的发展方向。通过分析AI技术如何提高测试效率、准确性和自动化水平,文章揭示了AI在改变传统软件测试模式中的关键作用。同时,指出了当前AI测试工具的局限性,并对未来AI与软件测试深度融合的前景进行了展望,强调了技术创新对于提升软件质量的重要性。
60 4
|
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
|
机器学习/深度学习 人工智能 自然语言处理
软件测试中的人工智能:提升效率与准确性的新途径
在当今快速发展的技术领域,人工智能(AI)正成为软件测试的重要工具。本文将探讨AI在软件测试中的应用,如何通过智能化手段提高测试的效率和准确性。从自动化测试到缺陷预测,我们将深入了解AI如何改变传统的软件测试方式,为软件开发流程带来革命性的变化。
|
2月前
|
机器学习/深度学习 人工智能 监控
软件测试中的人工智能革命
本文探讨了人工智能在软件测试中的应用及其带来的变革。通过分析AI如何提高测试效率、准确性,并减少人工干预,本文揭示了软件测试领域的未来趋势。
|
2月前
|
机器学习/深度学习 人工智能 自然语言处理
软件测试中的人工智能革命:效率与准确性的双重提升
随着人工智能技术的不断进步,软件测试领域正经历着前所未有的变革。本文将探讨人工智能在软件测试中的应用及其对效率和准确性的提升。我们将分析传统软件测试的局限性,展示AI如何通过自动化测试、智能缺陷识别和预测性维护来克服这些挑战。此外,我们还将讨论AI在测试过程中面临的伦理和安全挑战,以及如何应对这些挑战。通过综合分析,本文旨在为读者提供一个关于软件测试中人工智能应用的全面视角,强调其在提高效率和准确性方面的巨大潜力。
65 5
|
2月前
|
机器学习/深度学习 人工智能 自然语言处理
软件测试中的人工智能革命:挑战与机遇
在本文中,我们将深入探讨人工智能(AI)如何改变软件测试领域的基本面貌。从自动化测试的崭新可能性到提高测试效率和准确性的先进方法,我们将全面分析AI带来的各种挑战和机遇。通过具体案例和实践指南,希望为读者提供清晰的理解和应用方向。
51 2
|
2月前
|
机器学习/深度学习 人工智能 自然语言处理
软件测试中的人工智能革命:提升测试效率与质量的新篇章
随着人工智能技术的不断成熟,其在软件测试领域的应用正逐渐改变传统测试方式。本文将探讨AI在软件测试中的应用现状、优势以及面临的挑战,并通过具体案例分析展示AI如何提高测试效率和质量。最后,我们将讨论未来AI在软件测试中的发展趋势及其对人类测试工程师角色的影响。
216 4
|
3月前
|
机器学习/深度学习 人工智能 自然语言处理
软件测试中的人工智能革命
本文探讨了人工智能在软件测试中的应用,包括自动化测试、智能缺陷检测和测试用例生成。通过实际案例分析,展示了AI如何提高测试效率和准确性,并讨论了未来发展趋势。
40 9