实验三 自动写诗实验指导书1

实验三 自动写诗实验是基于深度学习框架PyTorch进行的一个文本生成任务，主要目的是理解和掌握循环神经网络（RNN）特别是长短期记忆网络（LSTM）的概念及其在实际编程中的应用。在这个实验中，学生需要利用Python和PyTorch来设计并实现一个能够自动生成诗歌的程序。 实验要求学生具备Python编程基础和PyTorch框架的知识。PyTorch是一个广泛使用的深度学习库，提供了灵活的张量操作和自动求导功能，适合构建和训练复杂的神经网络模型。在这个实验中，主要涉及的PyTorch类包括`torch.nn.Embedding`、`torch.nn.LSTM`和`torch.nn.Linear`。 `torch.nn.Embedding`是用于将词汇表中的每个词映射到一个固定长度的向量，即词嵌入。它有助于模型捕捉词汇之间的语义关系。`torch.nn.LSTM`是长短期记忆网络的实现，特别适合处理序列数据，如文本。LSTM通过门控机制来解决传统RNN在处理长期依赖问题上的困难。`torch.nn.Linear`是全连接层，常用于模型的输出层，将LSTM的隐藏状态映射到目标输出。 实验中，学生需要完成以下几个关键步骤： 1. 数据预处理：使用提供的预处理数据集，包括诗词数据、字典映射和反向映射。数据集中的诗词已经被转换为词的序号表示，方便输入到模型中。 2. 构建网络结构：设计自己的LSTM网络架构，这通常包括输入层（词嵌入）、LSTM层和输出层（全连接层）。网络结构应考虑到词汇表大小、嵌入维度、LSTM的隐藏层大小和层数。 3. 训练模型：实现数据加载器，以批量方式喂给模型训练数据。在训练过程中，需要定义损失函数（如交叉熵损失）和优化器（如Adam），并监控训练过程，调整超参数以优化性能。 4. 预测和生成诗歌：训练完成后，模型可以根据给定的首句生成后续的诗句。为了满足汉语语法和表达习惯，模型的输出应该经过后处理，比如去除特殊字符或填充符号。 5. 实验报告与展示：撰写实验报告，详细记录实验过程、遇到的问题、解决方案和结果分析。同时，提交代码和PPT，展示实验成果。 实验原理主要基于LSTM的性质，LSTM能够学习到输入序列的长期依赖关系，并通过内部的细胞状态和门控机制记住重要信息。在PyTorch中，LSTM接收输入序列、初始隐藏状态和细胞状态，然后产生一系列输出和更新后的隐藏状态。通过多次迭代，LSTM网络能够在序列数据上学习到模式，从而在诗歌生成任务中捕捉到语言的韵律和结构。 这个实验旨在让学生在实践中理解循环神经网络的运作，特别是LSTM在网络结构设计、训练过程和文本生成任务中的应用。通过完成这个实验，学生不仅能够掌握深度学习的基础技能，还能体验到人工智能在创造艺术性文本方面的潜力。