Pytorch实现基于CharRNN的文本分类与生成示例

pred, hidden = self.model(sexy_tensor, name_tensor, hidden)
topv, topi = pred.topk(1)
c = chars[topi]

# c = chars[torch.argmax(pred)] result.append(c)

if len(result) > max_len:
break

return start + "".join(result[:-1])

if __name__ == "__main__":
model = Model(10)
data_set = load_data()

model.train(data_set)
print(model.sample(0, "ka"))
c = input('please input name prefix: ')
while c != 'q':
print(model.sample(1, c))
print(model.sample(0, c))
c = input('please input name prefix: ')

4 总结

通过这两个实验，可以发现深度学习可以以强有力的数据拟合能力来实现较好的数据分类及生成，但也要看到，深度学习并不理解人类的文本，还无任何创作能力。所谓的诗歌生成，绘画等神经网络无非是尽量使生成内容的概率分布与样本类似而已，理解和推断仍是机器所不具备的。

以上这篇Pytorch实现基于CharRNN的文本分类与生成示例就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持软件开发网。

您可能感兴趣的文章:双向RNN:bidirectional_dynamic_rnn()函数的使用详解TensorFlow实现RNN循环神经网络浅谈Tensorflow 动态双向RNN的输出问题

 7/7   首页 上一页 5 6 7