计算机毕业设计Python+大模型知识图谱中华古诗词可视化 古诗词智能问答系统 古诗词数据分析 古诗词情感分析 PyTorch Tensorflow LSTM

温馨提示：文末有 优快云 平台官方提供的学长联系方式的名片！

温馨提示：文末有 优快云 平台官方提供的学长联系方式的名片！

温馨提示：文末有 优快云 平台官方提供的学长联系方式的名片！

开发技术：

1. 前端：vue.js echarts D3.js
2. 后端：Flask/Django
3. 机器学习/深度学习：LSTM情感分析模型、PyTorch、Tensorflow、阿里千问大模型精调、chatgpt、卷积神经网络CNN/RNN
4. 爬虫：drssionpage框架(全新技术，反爬强悍)
5. 数据库：mysql关系型数据库、neo4j图数据库、mongodb

吊打答辩现场的要点总结：
1-百万数据爬虫
2-大模型的应用
3-智能问答
4-深度学习模型训练优化：LSTM、PyTorch、Tensorflow、卷积神经网络CNN/RNN
5-Neo4J知识图谱显摆
6-自动即兴发挥写诗
7-可视化大屏
8-情感分析

核心算法代码分享如下：

from 古诗生成.wu_poem.test_pome import generate_poetry_auto,train_vec,cang
from 古诗生成.qi_poem.test_pome import generate_poetry_auto as qi_generate_poetry_auto,train_vec as qi_train_vec,cang as qi_cang
import torch
import torch.nn as nn
import numpy as np
from gensim.models.word2vec import Word2Vec
import pickle
import os

class Mymodel(nn.Module):

    def __init__(self,embedding_num,hidden_num,word_size):
        super(Mymodel, self).__init__()

        self.embedding_num=embedding_num
        self.hidden_num = hidden_num
        self.word_size = word_size
        #num_layer:两层，代表层数,出来后的维度[5,31,64],设置hidden_num=64
        self.lstm=nn.LSTM(input_size=embedding_num,hidden_size=hidden_num,batch_first=True,num_layers=2,bidirectional=False)
        #做一个随机失活，防止过拟合，同时可以保持生成的古诗不唯一
        self.dropout=nn.Dropout(0.3)
        #做一个flatten,将维度合并【5*31,64】
        self.flatten=nn.Flatten(0,1)
        #加一个线性层：[64,词库大小]
        self.linear=nn.Linear(hidden_num,word_size)
        #交叉熵
        self.cross_entropy=nn.CrossEntropyLoss()

    def forward(self,xs_embedding,h_0=None,c_0=None):
        device = "cuda" if torch.cuda.is_available() else "cpu"
        xs_embedding=xs_embedding.to(device)
        if h_0==None or c_0==None:
            #num_layers,batch_size,hidden_size
            h_0=torch.tensor(np.zeros((2,xs_embedding.shape[0],self.hidden_num),np.float32))
            c_0 = torch.tensor(np.zeros((2, xs_embedding.shape[0], self.hidden_num),np.float32))
        h_0=h_0.to(device)
        c_0=c_0.to(device)
        hidden,(h_0,c_0)=self.lstm(xs_embedding,(h_0,c_0))
        hidden_drop=self.dropout(hidden)
        flatten_hidden=self.flatten(hidden_drop)
        pre=self.linear(flatten_hidden)

        return pre,(h_0,c_0)