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
目录
输出结果
模型监控
训练、测试过程全记录
训练的数据集
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
-10-14 07:31:33.515130: I tensorflow/core/platform/:141] Your CPU supports instructions that this TensorFlow binary was not compiled to use: AVX2step: 10/10000... loss: 5.9560... 0.1500 sec/batchstep: 20/10000... loss: 5.8495... 0.1300 sec/batchstep: 30/10000... loss: 5.6970... 0.1600 sec/batchstep: 40/10000... loss: 5.5893... 0.1300 sec/batchstep: 50/10000... loss: 5.4582... 0.1300 sec/batchstep: 60/10000... loss: 5.3003... 0.1400 sec/batchstep: 70/10000... loss: 5.2871... 0.1600 sec/batchstep: 80/10000... loss: 5.3841... 0.1500 sec/batchstep: 90/10000... loss: 5.2470... 0.1400 sec/batchstep: 100/10000... loss: 5.3061... 0.1500 sec/batch……step: 950/10000... loss: 4.0972... 0.1600 sec/batchstep: 960/10000... loss: 3.9542... 0.1900 sec/batchstep: 970/10000... loss: 4.0406... 0.1500 sec/batchstep: 980/10000... loss: 4.1385... 0.1400 sec/batchstep: 990/10000... loss: 3.9897... 0.1600 sec/batchstep: 1000/10000... loss: 3.9653... 0.1400 sec/batchstep: 1010/10000... loss: 4.0501... 0.1300 sec/batchstep: 1020/10000... loss: 3.9391... 0.1200 sec/batchstep: 1030/10000... loss: 4.1195... 0.1400 sec/batchstep: 1040/10000... loss: 3.9310... 0.1300 sec/batchstep: 1050/10000... loss: 3.8972... 0.1200 sec/batchstep: 1060/10000... loss: 3.9801... 0.1200 sec/batchstep: 1070/10000... loss: 4.0620... 0.1200 sec/batchstep: 1080/10000... loss: 3.8817... 0.1200 sec/batchstep: 1090/10000... loss: 3.9839... 0.1301 sec/batchstep: 1100/10000... loss: 3.9646... 0.1479 sec/batch……step: 4980/10000... loss: 2.8199... 0.1200 sec/batchstep: 4990/10000... loss: 2.9057... 0.1200 sec/batchstep: 5000/10000... loss: 2.8073... 0.1300 sec/batchstep: 5010/10000... loss: 2.6680... 0.1200 sec/batchstep: 5020/10000... loss: 2.7442... 0.1200 sec/batchstep: 5030/10000... loss: 2.7590... 0.1300 sec/batchstep: 5040/10000... loss: 2.6470... 0.1300 sec/batchstep: 5050/10000... loss: 2.7808... 0.1200 sec/batchstep: 5060/10000... loss: 2.7322... 0.1200 sec/batchstep: 5070/10000... loss: 2.8775... 0.1200 sec/batchstep: 5080/10000... loss: 2.8139... 0.1200 sec/batchstep: 5090/10000... loss: 2.7857... 0.1200 sec/batchstep: 5100/10000... loss: 2.7652... 0.1200 sec/batchstep: 5110/10000... loss: 2.8216... 0.1200 sec/batchstep: 5120/10000... loss: 2.8843... 0.1200 sec/batchstep: 5130/10000... loss: 3.0093... 0.1300 sec/batchstep: 5140/10000... loss: 2.7560... 0.1200 sec/batchstep: 5150/10000... loss: 2.7263... 0.1200 sec/batchstep: 5160/10000... loss: 2.8014... 0.1200 sec/batchstep: 5170/10000... loss: 2.7410... 0.1200 sec/batchstep: 5180/10000... loss: 2.7335... 0.1200 sec/batchstep: 5190/10000... loss: 2.8362... 0.1200 sec/batchstep: 5200/10000... loss: 2.6725... 0.1300 sec/batch……step: 9690/10000... loss: 2.3264... 0.1463 sec/batchstep: 9700/10000... loss: 2.5150... 0.1425 sec/batchstep: 9710/10000... loss: 2.3348... 0.1200 sec/batchstep: 9720/10000... loss: 2.4240... 0.1277 sec/batchstep: 9730/10000... loss: 2.4282... 0.1293 sec/batchstep: 9740/10000... loss: 2.5858... 0.1232 sec/batchstep: 9750/10000... loss: 2.2951... 0.1305 sec/batchstep: 9760/10000... loss: 2.3257... 0.1263 sec/batchstep: 9770/10000... loss: 2.4495... 0.1253 sec/batchstep: 9780/10000... loss: 2.4302... 0.1289 sec/batchstep: 9790/10000... loss: 2.5102... 0.1299 sec/batchstep: 9800/10000... loss: 2.8486... 0.1254 sec/batch……step: 9900/10000... loss: 2.4408... 0.1330 sec/batchstep: 9910/10000... loss: 2.5797... 0.1275 sec/batchstep: 9920/10000... loss: 2.4788... 0.1384 sec/batchstep: 9930/10000... loss: 2.3162... 0.1312 sec/batchstep: 9940/10000... loss: 2.3753... 0.1324 sec/batchstep: 9950/10000... loss: 2.5156... 0.1584 sec/batchstep: 9960/10000... loss: 2.4312... 0.1558 sec/batchstep: 9970/10000... loss: 2.3816... 0.1279 sec/batchstep: 9980/10000... loss: 2.3760... 0.1293 sec/batchstep: 9990/10000... loss: 2.3829... 0.1315 sec/batchstep: 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
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
