网站建设商业阶段建个人网站的详细步骤

NLP 从零开始：使用字符级 RNN 生成姓名

这是我们“NLP 从零开始”系列三部分教程中的第二部分。在第一个教程中，我们使用了 RNN 将姓名分类到其语言来源。这次我们将反过来，从语言生成姓名。

> python sample.py Russian RUS
Rovakov
Uantov
Shavakov> python sample.py German GER
Gerren
Ereng
Rosher> python sample.py Spanish SPA
Salla
Parer
Allan> python sample.py Chinese CHI
Chan
Hang
Iun

我们仍然手工构建了一个带有几个线性层的小型 RNN。主要区别在于，我们不再是在读取所有字母后预测类别，而是输入一个类别并一次输出一个字母。循环预测字符以形成语言（这也可以使用单词或其他更高阶的结构来完成）通常被称为“语言模型”。

推荐阅读

我假设您至少已安装 PyTorch，了解 Python，并理解张量 (Tensors)

• https://pytorch.ac.cn/ 安装说明
• 使用 PyTorch 进行深度学习：60 分钟速成 了解 PyTorch 的基本用法
• 通过示例学习 PyTorch 获取广泛而深入的概览
• PyTorch for Former Torch Users 如果您是 Lua Torch 用户

了解 RNN 及其工作原理也会有所帮助

• 循环神经网络的惊人有效性 展示了许多实际示例
• 理解 LSTM 网络 专门介绍了 LSTM，但对于理解 RNN 总体上也有帮助

我还建议阅读前一个教程：NLP 从零开始：使用字符级 RNN 对姓名进行分类

准备数据

注意

从这里下载数据并将其解压到当前目录。

有关此过程的更多详细信息，请参见上一个教程。简而言之，有许多纯文本文件 data/names/[Language].txt，每行一个姓名。我们将行拆分成数组，将 Unicode 转换为 ASCII，最终得到一个字典 {语言: [姓名 ...]}。

from io import open
import glob
import os
import unicodedata
import stringall_letters = string.ascii_letters + " .,;'-"
n_letters = len(all_letters) + 1 # Plus EOS markerdef findFiles(path): return glob.glob(path)# Turn a Unicode string to plain ASCII, thanks to https://stackoverflow.com/a/518232/2809427
def unicodeToAscii(s):return ''.join(c for c in unicodedata.normalize('NFD', s)if unicodedata.category(c) != 'Mn'and c in all_letters)# Read a fil