原文链接：http://tecdat.cn/?p=8448
文本生成是NLP的最新利用之一。深度学习技术已用于各种文本生成工作，例如写作诗歌，生成电影脚本甚至创作音乐。然而，在本文中，咱们将看到一个非常简单的文本生成示例，其中给定输出的单词字符串，咱们将预测下一个单词。咱们将应用莎士比亚驰名小说《麦克白》的原始文本，并依据给定的一系列输出单词来预测下一个单词。
实现本文之后，您将可能应用所选的数据集执行文本生成。
导入库和数据集
第一步是导入执行本文中的脚本所需的库以及数据集。以下代码导入所需的库：
import numpy as npfrom keras.models import Sequential, load_modelfrom keras.layers import Dense, Embedding, LSTM, Dropout下一步是下载数据集。咱们将应用Python的NLTK库下载数据集。
download('gutenberg')您应该看到以下输入：
\['austen-emma.txt', 'austen-persuasion.txt', 'austen-sense.txt', 'bible-kjv.txt', 'blake-poems.txt', 'bryant-stories.txt', 'burgess-busterbrown.txt', 'carroll-alice.txt', 'chesterton-ball.txt', 'chesterton-brown.txt', 'chesterton-thursday.txt', 'edgeworth-parents.txt', 'melville-moby_dick.txt', 'milton-paradise.txt', 'shakespeare-caesar.txt', 'shakespeare-hamlet.txt', 'shakespeare-macbeth.txt', 'whitman-leaves.txt'\]该文件蕴含小说“ Macbeth”的原始文本。要从此文件读取文本，能够应用类中的raw办法：
macbeth_text = corpus.gutenberg.raw('shakespeare-macbeth.txt')让咱们从数据集中输入前500个字符：
print(macbeth_text\[:500\])这是输入：
Actus Primus. Scoena Prima.Thunder and Lightning. Enter three Witches. 1. When shall we three meet againe?In Thunder, Lightning, or in Raine? 2. When the Hurley-burley's done,When the Battaile's lost, and wonne 3. That will be ere the set of Sunne 1. Where the place? 2. Vpon the Heath 3. There to meet with Macbeth 1. I come, Gray-Malkin All. Padock calls anon: faire is foule, and foule is faire,Houer through您会看到文本蕴含许多特殊字符和数字。下一步是清理数据集。
数据预处理
要删除标点符号和特殊字符，咱们将定义一个名为的函数preprocess_text()：
def preprocess_text(sen): # 删除标点符号和数字 sentence = re.sub('\[^a-zA-Z\]', ' ', sen)... return sentence.lower()preprocess_text函数承受文本字符串作为参数，并以小写模式返回清理后的文本字符串。
当初让咱们清理文本，而后再次输入前500个字符：
macbeth\_text = preprocess\_text(macbeth_text)macbeth_text\[:500\]这是输入：
the tragedie of macbeth by william shakespeare actus primus scoena prima thunder and lightning enter three witches when shall we three meet againe in thunder lightning or in raine when the hurley burley done when the battaile lost and wonne that will be ere the set of sunne where the place vpon the heath there to meet with macbeth come gray malkin all padock calls anon faire is foule and foule is faire houer through the fogge and filthie ayre exeunt scena secunda alarum within enter king malcom将单词转换为数字
深度学习模型基于统计算法。因而，为了应用深度学习模型，咱们须要将单词转换为数字。
在本文中，咱们将应用一种非常简单的办法，将单词转换为单个整数。在将单词转换为整数之前，咱们须要将文本标记为单个单词。
以下脚本标记咱们数据集中的文本，而后输入数据集中的单词总数以及数据集中的惟一单词总数：
from nltk.tokenize import word_tokenize...print('Total Words: %d' % n_words)print('Unique Words: %d' % unique_words)输入这样：
Total Words: 17250Unique Words: 3436咱们的文字总共有17250个单词，其中3436个单词是惟一的。要将标记化的单词转换为数字，能够应用模块中的keras.preprocessing.text。您须要调用该fit_on_texts办法并将其传递给单词列表。将创立一个字典，其中的键将代表单词，而整数将代表字典的相应值。
看上面的脚本：
from keras.preprocessing.text import Tokenizer...要拜访蕴含单词及其相应索引的字典，word_index能够应用tokenizer对象的属性：
vocab\_size = len(tokenizer.word\_index) + 1word\_2\_index = tokenizer.word_index如果您查看字典的长度，它将蕴含3436个单词，这是咱们数据集中惟一单词的总数。
当初让咱们从字典中输入第500个惟一单词及其整数值。
print(macbeth\_text\_words\[500\])print(word\_2\_index\[macbeth\_text\_words\[500\]\])这是输入：
comparisons1456批改数据形态
LSTM承受3维格局的数据（样本数，工夫步数，每个工夫步的特色）。因为输入将是单个单词，因而输入的形态将是二维的（样本数，语料库中惟一词的数量）。
以下脚本批改了输出序列和相应输入的形态。
input_sequence = \[\]output_words = \[\]input\_seq\_length = 100for i in range(0, n\_words - input\_seq_length , 1): in\_seq = macbeth\_text\_words\[i:i + input\_seq_length\]...在下面的脚本中，咱们申明两个空列表input_sequence和output_words。将input_seq_length被设置为100，这意味着咱们的输出序列将包含100个字。接下来，咱们执行一个循环，在第一次迭代中，将文本中前100个单词的整数值附加到input_sequence列表中。第101个单词将追加到output_words列表中。在第二次迭代过程中，从文本中的第二个单词开始到第101个单词完结的单词序列存储在input_sequence列表中，第102个单词存储在output_words数组中，依此类推。因为数据集中共有17250个单词（比单词总数少100个），因而将总共生成17150个输出序列。
当初让咱们输入input_sequence列表中第一个序列的值：
print(input_sequence\[0\])输入：
\[1, 869, 4, 40, 60, 1358, 1359, 408, 1360, 1361, 409, 265, 2, 870, 31, 190, 291, 76, 36, 30, 190, 327, 128, 8, 265, 870, 83, 8, 1362, 76, 1, 1363, 1364, 86, 76, 1, 1365, 354, 2, 871, 5, 34, 14, 168, 1, 292, 4, 649, 77, 1, 220, 41, 1, 872, 53, 3, 327, 12, 40, 52, 1366, 1367, 25, 1368, 873, 328, 355, 9, 410, 2, 410, 9, 355, 1369, 356, 1, 1370, 2, 874, 169, 103, 127, 411, 357, 149, 31, 51, 1371, 329, 107, 12, 358, 412, 875, 1372, 51, 20, 170, 92, 9\]让咱们通过将序列中的整数除以最大整数值来归一化输出序列。以下脚本还将输入转换为二维格局。
以下脚本输入输出和相应输入的形态。
print("X shape:", X.shape)print("y shape:", y.shape)输入：
X shape: (17150, 100, 1)y shape: (17150, 3437)训练模型
下一步是训练咱们的模型。对于应应用多少层和神经元来训练模型，没有硬性规定。
咱们将创立三个LSTM层，每个层具备800个神经元。最终将增加具备1个神经元的密集层，来预测下一个单词的索引，如下所示：
...model.summary()model.compile(loss='categorical_crossentropy', optimizer='adam')因为输入单词能够是3436个惟一单词之一，因而咱们的问题是多类分类问题，因而应用categorical_crossentropy损失函数。如果是二进制分类，binary_crossentropy则应用该函数。执行下面的脚本，能够看到模型摘要：
Model: "sequential_1"\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_Layer (type) Output Shape Param #=================================================================lstm_1 (LSTM) (None, 100, 800) 2566400\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_lstm_2 (LSTM) (None, 100, 800) 5123200\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_lstm_3 (LSTM) (None, 800) 5123200\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_\_dense_1 (Dense) (None, 3437) 2753037=================================================================Total params: 15,565,837Trainable params: 15,565,837Non-trainable params: 0要训练模型，咱们能够简略地应用该fit()办法。
model.fit(X, y, batch_size=64, epochs=10, verbose=1)预测
为了进行预测，咱们将从input_sequence列表中随机抉择一个序列，将其转换为3维形态，而后将其传递给predict()训练模型的办法。而后将索引值传递到index_2_word字典，在字典中将单词index用作键。该index_2_word字典将返回属于被作为重点字典传入的索引词。
以下脚本随机抉择一个整数序列，而后输入相应的单词序列：
...print(' '.join(word_sequence))对于本文中的脚本，以下程序是随机抉择的：
amen when they did say god blesse vs lady consider it not so deepely mac but wherefore could not pronounce amen had most need of blessing and amen stuck in my throat lady these deeds must not be thought after these wayes so it will make vs mad macb me thought heard voyce cry sleep no more macbeth does murther sleepe the innocent sleepe sleepe that knits vp the rauel sleeue of care the death of each dayes life sore labors bath balme of hurt mindes great natures second course chiefe nourisher in life feast lady what doe you meane接下来，咱们将依照上述单词程序输入接下来的100个单词：
for i in range(100): int\_sample = np.reshape(random\_seq, (1, len(random_seq), 1)) int\_sample = int\_sample / float(vocab_size)...word_sequence当初，变量蕴含咱们输出的单词序列以及接下来的100个预测单词。该word_sequence变量蕴含列表模式的单词序列。咱们能够简略地将列表中的单词连接起来取得最终的输入序列，如下所示：
final_output = ""for word in word_sequence:...print(final_output)这是最终输入：
amen when they did say god blesse vs lady consider it not so deepely mac but wherefore could not pronounce amen had most need of blessing and amen stuck in my throat lady these deeds must not be thought after these wayes so it will make vs mad macb me thought heard voyce cry sleep no more macbeth does murther sleepe the innocent sleepe sleepe that knits vp the rauel sleeue of care the death of each dayes life sore labors bath balme of hurt mindes great natures second course chiefe nourisher in life feast lady what doe you meane and and and and and and and and and and and and and and and and and and and and and and and and and and and and and and and and and and and and and and and and and and and and and and and and and and and and and and and and and and and and and and and and and and and and and and and and and and and and and and and and and and and and and and and and and and and and and and and and and and and and论断
在本文中，咱们看到了如何通过Python的Keras库应用深度学习来创立文本生成模型。