Python程序写诗【训练1分钟】古诗生成

初学Python-文件操作,写古诗复制古诗 #写入古诗 f = open("gushi.txt","w",encoding="utf-8") f.write(""" 青玉案·元夕 辛弃疾 东风夜放花千树。更吹落、星如雨。宝马雕车香满路。凤箫声动,玉壶光转,一夜鱼龙舞。 蛾儿雪柳黄金缕。笑语盈盈暗香去。众里寻他千百度。蓦然回首,那人却在,灯火阑珊处。""") f.close(). 阅读详情
原创AI程序写诗:训练 一分钟,诗词一秒成!
先看看写出来什么诗~
在这里插入图片描述

来看看程序

from gensim.models import Word2Vec  # 词向量
from random import choice
from os.path import exists
from warnings import filterwarnings
filterwarnings('ignore')  # 不打印警告


class CONF:
    path = '古诗词.txt'  # 语料路径
    window = 16  # 滑窗大小
    min_count = 60  # 过滤低频字
    size = 125  # 词向量维度
    topn = 14  # 生成诗词的开放度
    model_path = 'word2vec'  # 模型路径


class Model:
    def __init__(self, window, topn, model):
        self.window = window
        self.topn = topn
        self.model = model  # 词向量模型
        self.chr_dict = model.wv.index2word  # 字典

    """模型初始化"""
    @classmethod
    def initialize(cls, config):
        if exists(config.model_path):
            # 模型读取
            model = Word2Vec.load(config.model_path)
        else:
            # 语料读取
            with open(config.path, encoding='utf-8') as f:
                ls_of_ls_of_c = [list(line.strip()) for line in f]
            # 模型训练和保存
            model = Word2Vec(ls_of_ls_of_c, config.size,
                             window=config.window, min_count=config.min_count)
            model.save(config.model_path)
        return cls(config.window, config.topn, model)

    """古诗词生成"""
    def poem_generator(self, title, form):
        # list_of_tuples --> list_of_strings 并过滤标点符号
        filter = lambda lst: [t[0] for t in lst if t[0] not in [',', '。']]
        # 标题补全
        if len(title) < 4:
            if not title:
                title += choice(self.chr_dict)
            for _ in range(4 - len(title)):
                chrs = self.model.similar_by_word(title[-1], self.topn // 2)
                chrs = filter(chrs)
                char = choice([c for c in chrs if c not in title])
                title += char
        # 文本生成
        seq = list(title)
        for i in range(form[0]):
            for _ in range(form[1]):
                chrs = self.model.predict_output_word(
                    seq[-self.window:], max(self.topn, len(seq) + 1))
                chrs = filter(chrs)
                char = choice([c for c in chrs if c not in seq[len(title):]])
                seq.append(char)
            seq.append(',' if i % 2 == 0 else '。')
        # 返回标题+主体
        length = form[0] * (form[1] + 1)
        title = '《%s》' % ''.join(seq[:-length])
        poem = ''.join(seq[-length:])
        return title + '\n' + poem


def main(config=CONF):
    form = {'五言绝句': (4, 5), '七言绝句': (4, 7), '对联': (2, 9)}
    m = Model.initialize(config)
    while True:
        title = input('输入标题:').strip()
        try:
            poem = m.poem_generator(title, form['五言绝句'])
            print('\033[031m%s\033[0m' % poem)  # red
            poem = m.poem_generator(title, form['七言绝句'])
            print('\033[033m%s\033[0m' % poem)  # yellow
            poem = m.poem_generator(title, form['对联'])
            print('\033[036m%s\033[0m' % poem)  # purple
            print()
        except:
            pass


if __name__ == '__main__':
    main()

语料下载地址

https://gitee.com/arye/dl/tree/master/NLP/gensim%E6%96%87%E6%9C%AC%E7%94%9F%E6%88%90

关于程序的一些基础

猛戳→gensim词向量基础

更多诗词创作

山水田园

在这里插入图片描述
在这里插入图片描述

宫廷

在这里插入图片描述

别塞战争

在这里插入图片描述

抒情

在这里插入图片描述
在这里插入图片描述

春节

在这里插入图片描述

GLM-5.1生产实测:金融摘要、代码补全与知识问答三大场景落地指南 大语言模型在企业生产环境中的核心挑战,从来不是参数规模或MMLU分数,而是API稳定性、JSON格式确定性、低延迟可控输出与真实业务容错能力。GLM-5.1并非通用能力升级,而是面向企业级服务设计的‘可控型推理引擎’——它通过硬约束response_format保障结构化输出一致性,以flash_attention开关调控长上下文首token延迟,并在token计费中显式暴露预处理开销。本文基于金融研报摘要、VS Code代码补全、内部知识库问答三大典型生产场景,揭示其在JSON Schema注入、impo 阅读详情

相关推荐

AI认知纠偏实操手册:破除五大高危AI神话

大模型并非万能推理引擎,其本质是基于统计模式匹配的概率系统,能力受限于训练数据分布、上下文窗口与数学原理约束。理解AI幻觉、提示工程实效性与决策不可解释性等核心特性,是避免资源错配与合规风险的前提。技术价值在于将抽象能力边界转化为可验证、可操作、可防御的日常实践——如用双模型交叉验证识别逻辑断层,以三源交叉法校验专业输出,通过负面清单提示词提升任务稳定性。典型应用场景覆盖职场提效、教育引导、企业风控与内容创作,最终落点于构建人机协作的真实成本意识与事实校验能力。

weixin_30698297的博客 345

Python实现宋词生成(分词&统计词频)

本文主要在学校实验的基础上, 分享与讲解从数据集到宋词生成的全过程 本篇为分词与统计词频的分享

m0_51373023的博客 1795

Gemini原生多模态原理与实战:从感知接口到生产力跃迁

多模态AI正从‘功能叠加’走向‘架构原生’,其核心在于统一向量空间下的跨模态语义对齐。不同于OCR+大模型的拼接式方案,原生多模态通过端到端联合训练,实现图像、语音、文本在像素级与语义层的协同理解,显著提升手写识别、模糊分析、多图推理等真实场景准确率。该技术已突破语言模型边界,支撑教育错题结构化、会议纪要生成、跨媒介证据验证等高频工程应用。本文聚焦Gemini的统一表示空间、中文语境建模与实操提示工程,详解如何将混合现实信息高效转化为可执行结果。

chongyuwan4121的博客 549

python程序写诗_pytorch下使用LSTM神经网络写诗实例

在pytorch下,以数万首唐诗为素材,训练双层LSTM神经网络,使其能够以唐诗的方式写诗。代码结构分为四部分,分别为1.model.py,定义了双层LSTM模型2.data.py,定义了从网上得到的唐诗数据的处理方法3.utlis.py 定义了损失可视化的函数4.main.py定义了模型参数,以及训练、唐诗生成函数。参考:电子工业出版社的《深度学习框架PyTorch:入门与实践》第九章main代...

weixin_39634900的博客 535

千问PC端深度解析:AI生产力套件的工程化实践

大模型应用正从‘能对话’迈向‘可落地’的关键阶段,AI生产力工具的核心价值已不再局限于参数规模或生成速度,而在于能否无缝嵌入真实办公场景、支撑结构化内容生产与轻量级开发。Qwen3.5系列通过MoE混合专家架构、动态上下文管理与多模态协同能力,实现了本地化高效推理与任务级精度平衡;其PC端独有的任务助理模块,将提示词工程封装为可视化按钮,让市场、运营、IT等非技术角色也能调用RAG检索增强、Office智能生成、自然语言编程等AI能力。这种‘所想即所得’的完成度,标志着AI从辅助工具升级为可审计、可复用、可

weixin_30940783的博客 376

使用pytorch实现LSTM自动AI作诗(藏头诗和首句续写)

数据来源于chinese-poetry,最全中文诗歌古典文集数据库最全的中华古典文集数据库,包含 5.5 万首唐诗、26 万首宋诗、2.1 万首宋词和其他古典文集。诗 人包括唐宋两朝近 1.4 万古诗人,和两宋时期 1.5 千古词人。实验使用预处理过的二进制文件tang.npz作为数据集,含有57580首唐诗,每首诗限定在125词, 不足 125 词的以空格填充。

优快云 精品推荐 1万+

Python程序写诗——1分钟古诗词生成:开启人工智能与传统文化的交融

Python程序写诗——1分钟古诗词生成:开启人工智能与传统文化的交融 【下载地址】Python程序写诗1分钟古诗词生成 这个开源项目利用Python和gensim库,帮助用户在一分钟内生成具有古典韵味的诗词歌赋。程序通过先进的自然语言处理技术,快速训练模型并一键生成风格多样的古诗词。其特点是训练速度快、操作简单,适合各...

gitblog_06736的博客 541

Python轻量级古诗接龙引擎:规则+统计驱动的可控文本生成

古诗接龙是典型的可控文本生成任务,需兼顾语义连贯、韵律合规与字词约束。其核心原理在于将生成过程解耦为意图理解、意象扩展、韵律约束与合法性校验四步闭环。技术价值体现在低资源、高可解释、强可控——无需大模型,仅靠n-gram条件概率建模与《平水韵》规则引擎即可实现毫秒级响应。典型应用场景包括离线教育终端、嵌入式诗词交互、NLP教学实验及风格化文本迁移验证。本项目以‘春风拂面’为输入,现场生成‘面柳成行绿’等合法七言句,完整覆盖押韵、平仄、去重三大硬约束,是理解规则与统计融合生成范式的优质实践案例。

weixin_32705179的博客 316

Python程序写诗【1分钟】古诗词生成

Python程序写诗【1分钟】古诗词生成 【下载地址】Python程序写诗1分钟古诗词生成 这个开源项目利用Python和gensim库,帮助用户在一分钟内生成具有古典韵味的诗词歌赋。程序通过先进的自然语言处理技术,快速训练模型并一键生成风格多样的古诗词。其特点是训练速度快、操作简单,适合各水平的Python爱好者。只需...

gitblog_06741的博客 402

Python遗传算法写卜算子词,内置平仄校验与宋词语料训练

用Python实现的遗传算法宋词生成工具,专注卜算子词牌创作,自动处理平仄格式约束。核心代码包含Heridity.py(遗传操作逻辑)和main.py(主流程控制),从《宋词.txt》中提取用词习惯与句式结构,结合平仄.文件校验每句平仄是否符合传统格律要求。支持加载预训练的word2vec.model词向量模型提升语义连贯性,运行后直接输出多个版本的卜算子作品(卜算子.txt至卜算子3.txt),保留中间缓存与调试痕迹。配套PDF文档详解适应度函数设计——如押韵匹配度、平仄合规率、词频合理性等指标权重分配,

solidity8miner的博客 211

AI古诗生成器,唐诗,五言绝句自动生成(包含预训练模型,数据集,全套代码)

这是一个基于Keras的AI作诗程序,它利用LSTM和RNN算法来学习和预测古诗、唐诗、五言绝句等诗歌形式。该程序不仅提供了多种生成方式,包括藏头诗、随机写诗和给定第一句诗或字进行作诗等,还可以自由控制生成的诗歌形式和长度,让用户可以根据自己的喜好和需求进行创作。 在使用该程序时,用户可以自由调控生成诗歌的概率,从而产生更具有多样性的故事,迸发出更多的创意和灵感。除了用于生成诗歌,该程序还可以用于创作灵感的启发、诗歌风格的探索等,具有多种实用价值和趣味性。 此外,该程序还支持数据集的替换,用户可以根据自己的需要选择不同的数据集,从而让程序学习到更多的古诗,得到更好的结果。这使得该程序能够不断地迭代和优化,不断提升其生成诗歌的质量和多样性。

用NLTK实现n-gram古诗生成:从环境配置到模型构建

自然语言处理中,语言模型是文本生成任务的基础。n-gram作为一种基于条件概率的统计语言模型,通过计算词序列的共现频率来预测下一个词,简单却极具实用性。在文本生成、拼写纠错、机器翻译等场景中,n-gram都能发挥重要作用。对于古诗生成这类小规模、高重复度的文本,n-gram的bigram或trigram模型即可产生连贯且风格相似的内容。然而,实际工程中常面临语料下载缓慢、环境配置繁琐等痛点。通过NLTK库,从环境准备到语料处理,逐步实现一个n-gram古诗文本生成器,并探讨了稀疏性、平滑与温度采样的实践技巧

weixin_34252686的博客 342

从桨叶设计到电机匹配:手把手教你调出无人机最佳动力组合

本文系统介绍了无人机动力系统的核心匹配原则,重点解析了如何通过测试与数据分析,优化螺旋桨与电机的组合,从而显著提升系统力效与续航。文章提供了从参数解读、实战测试到深度调优的完整指南,帮助开发者解决电机过热、推力不足等常见问题,实现无人机性能最大化。

weixin_29305313的博客 242

gemma-3n-E4B-it-MLX-4bit 对话模板完整解析:start_of_turn 与多模态软令牌如何拼接

**gemma-3n-E4B-it-MLX-4bit 对话模板**是如何让多模态模型"听懂"你说的话的?本文逐行拆解该 4-bit 量化多模态模型仓库中的 [chat_template.jinja](https://link.gitcode.com/i/1df944f81d649a7196138ce99f96c79e),讲清 `start_of_turn` 分隔符与 `<image_soft_to

gitblog_00639的博客 746

5分钟搞懂基因组规模代谢网络(GSMM):从数据库选择到模型构建全流程

本文详细解析基因组规模代谢网络(GSMM)构建的全流程,从数据库选择到模型优化。重点介绍MetaCyc、BiGG等主流数据库的黄金三角评估法则,对比自上而下与自下而上两种建模方法,并提供模型修剪、仿真优化的实用技巧与避坑指南,帮助研究者高效构建精准代谢网络模型。

weixin_30872157的博客 139

拆解人形机器人:核心硬件与驱动系统

本文深入解析人形机器人的核心硬件系统,将其类比为"骨骼+肌肉+神经"的集成体。重点介绍了三大关键组件:驱动单元(无框力矩电机和空心杯电机)、传动单元(谐波减速器和行星滚柱丝杠)以及感知单元(力矩传感器、编码器和IMU)。文章指出一体化关节模组正成为行业趋势,能够实现更紧凑的结构和更高的可靠性。同时分析了硬件价值量分布,强调丝杠、电机等部件是当前技术高地和成本重心。最后指出随着技术进步,机器人价值将更多向"大脑"和"神经"转移。

小明的博客 1531

KMS_VL_ALL_AIO:本地模拟激活 Windows 和 Office,一次装好

重装完 Windows,右下角弹出"未激活",打开 Word 又提示功能受限。买密钥要花几百块,网上来的不明的激活工具又不敢随便跑。KMS_VL_ALL_AIO 是一个开源的本地 KMS 激活脚本:它在本机模拟一台 KMS(微软的批量授权服务)服务器,一次运行同时处理 Windows 和 Office 的激活,装完按固定周期自动续期。 ## 本地 KMS 激活的原理是什么 先说结论:KMS 本

gitblog_00446的博客 892

SWAT模型非点源模拟原理

目录引言模型概述非点源污染模拟原理物质迁移内容过程营养物农药病原菌运移河道水质模型营养元素的地表水体循环河道水质模拟藻类模拟氮元素磷元素生化需氧量及溶解氧重金属的运移蓄水体水质模拟 引言 今天无意接触到这一块,就记录下来了。 模型概述 1、流域中非点源污染的来源主要是农业化肥和农药的施用。 2、氮、磷等营养物和农药的迁移和转化取决于化合物在土壤环境中经历的转化过程。 3、SWAT模型可以模拟水文相应单元内氮、磷完整的营养物循环过程和任何一种农药的降解过程。 4、SWAT模拟流域内泥沙、藻类、溶解氧、有机污染

DoWayChan的博客 4882

gpt-go进阶实战:替换你的语料库,让Tiny GPT学会中文写诗

gpt-go 是一个用纯 Go 从零实现的 Tiny GPT 模型,默认用儒勒·凡尔纳的小说语料训练。本文将带你完成 gpt-go 替换语料库的完整实战:把语料换成唐诗宋词,让 Tiny GPT 训练出会"写"中文诗的模型。全程只需 Go 一个语言环境,不依赖任何深度学习框架。 ## 为什么 gpt-go 适合做语料替换练习 gpt-go 的设计目标是"为了理解而极致简化":整个模型只有约 1

gitblog_00005的博客 464

Obsidian与GPT协作:数学公式从KaTeX到MathJax的无缝转换实践

本文针对Obsidian用户从GPT等AI助手复制数学公式时遇到的KaTeX与MathJax格式不兼容问题,提供了高效的解决方案。重点介绍了KaTeX to MathJax插件的核心作用,它能自动将AI生成的KaTeX格式公式(如\(...\))无缝转换为Obsidian默认支持的MathJax格式($...$),实现复制粘贴后公式即时渲染,极大提升了数学笔记与AI协作的效率和流畅度。

weixin_29209825的博客 139

用Python搞定超效率SBM模型:从数据清洗到结果可视化全流程指南

本文详细介绍了如何使用Python实现超效率SBM模型,从数据清洗到结果可视化的全流程指南。超效率SBM模型作为传统DEA的进化版本,能有效处理非期望产出(如环境污染)并对高效单元进行精细排序。通过实战案例和代码示例,帮助读者掌握这一先进模型的Python实现技巧,提升效率评估的准确性和可视化效果。

silver的专栏 653

64M参数小模型:2小时从零训练跑通LLM完整链路

大语言模型(LLM)的训练通常被视为高算力、大参数的专属领域,但小参数模型同样能揭示其核心原理。本文从模型训练的基础概念出发,介绍一个仅64M参数的开源项目,如何在普通消费级硬件上于2小时内完成从零训练到推理部署的完整链路。内容涵盖数据清洗、Tokenizer训练、预训练、指令微调等关键环节,并探讨模型量化、llama.cpp部署及微信小程序端侧推理等应用场景。通过低成本实践,帮助开发者理解大模型背后的技术原理,为后续深入学习或工程落地提供了一条可复制的路径。

dengjuanshou7445的博客 334

CAB单片机开发指南

CAB单片机开发使用指南,IDE安装及烧录注意事项

Zoebuxiangtian的博客 1559

AI创业降本四大基建:预计算、提示即程序、混合推理与领域微调

大语言模型(LLM)应用中的成本失控,本质是将确定性任务错误交由高成本实时推理完成。其核心原理在于区分‘可预计算的静态知识’与‘需动态生成的真问题’,通过工程化手段将token消耗从线性增长转为一次性投入。技术价值体现在显著压缩P95延迟、提升单位算力产出比,并构建可持续演进的AI成本护城河。典型应用场景包括SaaS客服响应优化、法律合同智能审查、医疗报告结构化提取等对延迟与成本双敏感的垂直领域。本文聚焦独立创业者可快速落地的四大底层基建路径,覆盖预计算pipeline设计、PromptProgram工程化

569

手把手教你学Simulink——基于Simulink的滑模控制器车辆稳定性仿真建模示例

本文详细介绍了基于Simulink的滑模控制器在车辆稳定性控制中的应用。通过建立二自由度车辆动力学模型(含魔术公式轮胎),设计横摆角速度与质心侧偏角滑模控制器,在Simulink中实现直接横摆力矩控制。文章包含完整的建模流程:从参考模型设计、滑模控制器推导(含等效控制和边界层法),到MATLAB参数设定和Simulink模块搭建。通过双移线测试和路面突变场景验证,证明该控制器能在低附着路面(μ=0.3)将横摆角速度误差控制在±5%以内,显著提升车辆稳定性。同时提供了工程实践要点和扩展方向(如高阶滑模、自适应

MHD0815的博客 106

Statistics and Machine Learning Toolbox

Statistics and Machine Learning Toolbox(带书签),MATLAB统计学习工具

上一篇: Keras文本分类
下一篇: Keras时序生成器
小基基o_O
博客等级 码龄9年 4414粉丝 467原创
评论 52
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

小基基o_O

您的鼓励是我创作的巨大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值