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
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 赞 (0)