不存在什么完美的文章，就好像没有完美的绝望。
——村上春树《且听风吟》
本章所学的内容
0.引子
本章主要利用LSTM实现几个有趣的应用：
先剧透一下：是AI聊天软件（现在做的ChatGPT（聊天神器，水论文高手等））和图像识别（可以应用于帮助盲人领域）
1.基于 RNN 的语言模型可以生成新的文本
文本生成叙述：
RnnlmGen 类的实现如下所示：
import sys
sys.path.append('..')
import numpy as np
from common.functions import softmax
from ch06.rnnlm import Rnnlm
from ch06.better_rnnlm import BetterRnnlm
class RnnlmGen(Rnnlm):
def generate(self, start_id, skip_ids=None, sample_size=100):
word_ids = [start_id]
x = start_id
while len(word_ids) < sample_size:
x = np.array(x).reshape(1, 1)
score = self.predict(x)
p = softmax(score.flatten())
sampled = np.random.choice(len(p), size=1, p=p)
if (skip_ids is None) or (sampled not in skip_ids):
x = sampled
word_ids.append(int(x))
return word_ids介绍了代码中的参数含义：
现在，使用这个 RnnlmGen 类进行文本生成。这里先在完全没有学习的状态（即权重参数是随机初始值的状态）下生成文本，代码如下所示：
import sys
sys.path.append('..')
from rnnlm_gen import RnnlmGen
from dataset import ptb
corpus, word_to_id, id_to_word = ptb.load_data('train')
vocab_size = len(word_to_id)
corpus_size = len(corpus)
model = RnnlmGen()
# model.load_params('../ch06/Rnnlm.pkl')
# 设定start单词和skip单词
start_word = 'you'
start_id = word_to_id[start_word]
skip_words = ['N', '<unk>', '$']
skip_ids = [word_to_id[w] for w in skip_words]
# 生成文本
word_ids = model.generate(start_id, skip_ids)
txt = ' '.join([id_to_word[i] for i in word_ids])
txt = txt.replace(' <eos>', '.\n')
print(txt)初次文本的生成：一句话就是：“真的烂！”
读入学习好的文本后，第二次进行文本生成:就是“勉强是个句子啦！”
第二次学习总结：（抽象为：机器逐步开始理解句子啦！）
改进后的文本生成结果：一句话就是：（行啊，学习的蛮好的，已经会使用语法啦！）
接着，我们使用更大的语料库，让机器加大学习的力度的结果：一句话是“虽然予以仍有些许问题，但是已经是一位合格的语言大师啦，这就是机器语言学习的魅力所在吧，像人类一样慢慢进步，但是就是这货学习不知道疲倦，而且学习速度极快，记忆力极好等”人工智能终究会比人类更加优秀；but 他不过是人类的工具而已，人类创造了他就是让他服务于人类，让人类过得更好！这才是人工智能的发明初衷吧！
不懂：
为何要让人和机器比较呢？二者根本没有任何可比性的，机器本身仅仅是一个工具罢了的，他可以永生不死，可以有好多优点，人类永远也无法超越，但是他必须始终为人类服务，人类最终应该与机器（人工智能）合作共赢，而不是互相残杀！这才是中国智慧的点点星光吧！
2.在进行文本生成时，重复“输入一个单词（字符），基于模型的输出（概率分布）进行采样”这一过程
语言模型的概率方案选择问题：
1.始终如一的选取概率最高的单词
2.概率性获得法，就是概率小的单词也有可能被选中的，（类比买彩票，概率再小也有机会中奖）
最终选取结果：
选择了后者
原因：我们想让每次生成的文本变得不一样的，这样更加有趣，更加灵活多变的。
确定性和概率性的理解：
确定性：就是只选取概率最高的那个，其他的一律不给机会（一成不变）
概率性：就是给概率高的那货的选取概率提高的，其他的也都有机会的（相对灵活多变）
啥是重复概率的输出和采样：
生成语句文本时，就是按照上述概率方法重复计算下一个单词的概率，最后生成一个优秀的句子。
3.通过组合两个 RNN，可以将一个时序数据转换为另一个时序数据（seq2seq）
seq2seq:简单来说，就相当于机器的翻译，让AI翻译软件帮你翻译英语阅读理解（核心：把一种语言通过两个RNN转化成另一种语言）（这里的语言就可以理解为时序数据的）
作者唠叨一下seq2seq的听着就困得原理概念
有意思的来啦，作者用翻译实例实战帮助读者理解seq2seq的核心（将一种事物转化为另一种事物）
seq2seq的内部核心：两个RNN层
的讲解：
一个RNN的任务:编码
另一个RNN的任务：解码
简单理解：类似于：就是一个RNN将中文变成0和1的形式，然后呢，另一个RNN将这些0和1用英文的方式重新生成一个英文版
4.在 seq2seq 中，编码器对输入语句进行编码，解码器接收并解码这个编码信息，获得目标输出语句
好玩的来啦，这部分讲的是机器学习根据字符串计算公式的答案：
通过大量的学习，俗称记答案，来算题的，只能说牛皮！
但你别说，真的可以的！
利用填充法将位数补齐，避免报错。
5.反转输入语句（Reverse）和将编码信息分配给解码器的多个层（Peeky）可以有效提高seq2seq 的精度
seq2seq 的学习代码如下所示：
import sys
sys.path.append('..')
import numpy as np
import matplotlib.pyplot as plt
from dataset import sequence
from common.optimizer import Adam
from common.trainer import Trainer
from common.util import eval_seq2seq
from seq2seq import Seq2seq
from peeky_seq2seq import PeekySeq2seq
# 读入数据集
(x_train, t_train), (x_test, t_test) = sequence.load_data('addition.txt')
char_to_id, id_to_char = sequence.get_vocab()
# 设定超参数
vocab_size = len(char_to_id)
wordvec_size = 16
hidden_size = 128
batch_size = 128
max_epoch = 25
max_grad = 5.0
# 生成模型/优化器/训练器
model = Seq2seq(vocab_size, wordvec_size, hidden_size)
optimizer = Adam()
trainer = Trainer(model, optimizer)
acc_list = []
for epoch in range(max_epoch):
trainer.fit(x_train, t_train, max_epoch=1,
batch_size=batch_size, max_grad=max_grad)
correct_num = 0
for i in range(len(x_test)):
question, correct = x_test[[i]], t_test[[i]]
verbose = i < 10
correct_num += eval_seq2seq(model, question, correct,
id_to_char, verbose)
acc = float(correct_num) / len(x_test)
acc_list.append(acc)
print('val acc %.3f%%' % (acc * 100))这里描述了：机器学习后，凭借记答案的本领看他能做对几道题，正确率如何。
初次记答案的正确率：惨不忍睹，但值得一提的是有做对的。
通过大牛改进，用反转输入法，记答案的本领再次提高。
从这里可以看出，记答案的正确率到了50%~60%，正确率显著提高。
# 读入数据集
(x_train, t_train), (x_test, t_test) = sequence.load_data('addition.txt')
...
x_train, x_test = x_train[:, ::-1], x_test[:, ::-1]
...
借助用偷窥大法来提高信息连锁反应，让信息共享，提高正确率。
PeekyDecoder 类的实现：
class PeekyDecoder:
def __init__(self, vocab_size, wordvec_size, hidden_size):
V, D, H = vocab_size, wordvec_size, hidden_size
rn = np.random.randn
embed_W = (rn(V, D) / 100).astype('f')
lstm_Wx = (rn( H + D , 4 * H) / np.sqrt(H + D)).astype('f')
lstm_Wh = (rn(H, 4 * H) / np.sqrt(H)).astype('f')
lstm_b = np.zeros(4 * H).astype('f')
affine_W = (rn( H + H , V) / np.sqrt(H + H)).astype('f')
affine_b = np.zeros(V).astype('f')
self.embed = TimeEmbedding(embed_W)
self.lstm = TimeLSTM(lstm_Wx, lstm_Wh, lstm_b, stateful=True)
self.affine = TimeAffine(affine_W, affine_b)
self.params, self.grads = [], []
for layer in (self.embed, self.lstm, self.affine):
self.params += layer.params
self.grads += layer.grads
self.cache = None
def forward(self, xs, h):
N, T = xs.shape
N, H = h.shape
self.lstm.set_state(h)
out = self.embed.forward(xs)
hs = np.repeat(h, T, axis=0).reshape(N, T, H)
out = np.concatenate((hs, out), axis=2)
out = self.lstm.forward(out)
out = np.concatenate((hs, out), axis=2)
score = self.affine.forward(out)
self.cache = H
return score
咕哒，这里可以看到正确率达到了近100%，背答案也不是没有前途嘛。
感谢了偷窥大法和反转输入大法两位哥哥啦！
6.seq2seq 可以用在机器翻译、聊天机器人和自动图像描述等各种各样的应用中
现代前景：
聊天机器人：类似于现代婴儿版本的Chat GPT，牛！
相当于现代版的人脸识别等图像识别技术：六得嘞！
小结
本章我们探讨了基于 RNN 的文本生成。实际上，我们只是稍微改动了一下上一章的基于 RNN 的语言模型，增加了文本生成的功能。在本章后半部分，我们研究了 seq2seq，并使之成功学习了简单的加法。seq2seq 模型拼接了编码器和解码器，是组合了两个 RNN 的简单结构。但是，尽管 seq2seq 简单，却具有巨大的潜力，可以用于各种各样的应用。
另外，本章还介绍了改进 seq2seq 的两个方案—— Reverse 和 Peeky。我们对这两个方案进行了实现和评价，并确认了它们的效果。下一章我们将继续改进 seq2seq，届时深度学习中最重要的技巧之一 Attention 将会出现。我们将说明 Attention 的机制，然后基于它实现更强大的 seq2seq。
