a押韵歌词 第1篇
(ian 点 电 宫殿 铺垫 伊甸 山巅 之间 肩 见 件 剑 建 健 减 尖 坚 箭 渐 剪 舰 贱 捡 煎 俭 艰 拣 茧 连 怜 脸 联链 练 恋 炼 莲 廉 帘 面 眠 免 绵绵 棉 勉 年 念 粘 篇 片 骗 偏 翩翩 牵 前 钱 万千 深浅 迁 书签 欠倩 谦 潜 遣抱歉 虔 纤 阡 天 田 甜 填 添 舔 先 现 仙 线 限 新鲜 弦 贤 闲 险 献 陷 娴 掀 )(juan疲倦 卷 娟 绢 捐 卷涓涓 猪圈) (quan全 权 泉 犬 圈 拳 劝 ) (xuan 选 轩 玄 喧 宣 旋 炫 悬 眩 绚 漩)(yan 言 眼 云烟 燕尊严 盐 严 演 艳 炎 宴 雁 验 焰 掩 嫣 厌 敷衍 淹 )(yuan 原 园 圆 源 员 远 院 愿 缘 苑 怨 深渊 冤 援 )
a押韵歌词 第2篇
在经典的循环神经网络中，状态的传输是从前往后单向的。然而，在有些问题中，当前时刻的输出不仅和之前的状态有关系，也和之后的状态相关。我_ _ 想吃羊肉，要预测空格中的词语要同时看前后的词语的意思和时态、词性。这时就需要双向RNN（BiRNN）来解决这类问题。
其中，正向计算时，隐藏层的 \(s_t\) 与 \(s_{t－1}\) 有关；反向计算时，隐藏层的 \(s_t\) 与 \(s_{t＋1}\) 有关。
a押韵歌词 第3篇
Beam Search是运用在inference阶段的加强预测结果的方法。它改进了贪婪解码中只选择一个得分最大的词语作为输出的方式，而是选出得分最大的K个词，在下一步的时候在当前选择的词语的基础上还是选择K个单词，然后不断沿着时间步长走下去，保证整体得到的结果最优。
有了首句之后，不是直接搜索首句韵脚相同的词语，而且先通过skip thought模型得到首句的上一句和下一句和最后一个细胞的输出（语料库的词语的概率分布），用概率最大并且满足韵脚的词语作为歌词末尾的韵脚歌词，使用自定义的beam search方式，使其从最后一个押韵词开始向前搜索每个词语，直至遇到停止符，输出整个语句。
最后附上当时的PPT效果
a押韵歌词 第4篇
彼 比 碧 壁 闭 蔽 次 此 词 刺 赐 慈 辞 瓷 雌 瑕疵 吃 持 池 赤 尺 迟 驰 齿 痴 翅 耻 弛 地 低 底 帝 滴 敌 蒂抵 逐 弟 堤 递 笛 真谛 及 即 级 机 集 基 记 吉 计 极 几 继 鸡 急 剂 季 纪 积极 技 忌 击 姬 寄 籍 济 肌 疾 挤祭 际 迹 己 激 辑 寂 绩 脊 妓 饥 叽 荆棘 讥 垃圾 嫉 秘笈 据 局 具 居 距 聚 句 举 巨 俱 菊 剧 拒 锯 惧 桔 鞠矩 拘 火炬 驹 理 里 李 力 利 立 离 丽 例 礼 莉 黎 历 厉 梨 栗 沥 励 奴隶 厘 犁 伶俐 淋漓 狐狸 率 绿 铝 律 驴旅 步履 虑 滤 缕 伴侣 米 迷 密 秘 蜜 弥 谜 觅 咪 靡 眯 泌 你 昵 拟 泥 逆 腻 溺 女 皮 批 匹 脾 劈 屁 披 坯 辟疲 啤 癖 偏僻 其 起 期 七 气 器 齐 奇 企 旗 启 漆 骑 妻 弃 棋 汽 欺 泣 乞 亲戚 默契 分歧 杞 去 区 取 曲 趣 娶屈 驱 渠 躯 蛆 趋 日 (四 斯 思 死 司 寺 丝 似 私 撕 放肆 嘶 是时 市 使 式 室 石 事 十 师 实 诗 世 史 氏 食视 士 施 试 饰 始 失 识 湿 势 示 释 适 仕 狮 尸 拾 侍 逝 誓 蚀 驶 虱 拭 )体 题 提 替 踢 梯 蹄 啼 锑 剃 涕剔 警惕 抽屉 喷嚏 西 系 喜 希 细 溪 洗 戏 吸 息 兮 席 熙 习 悉 稀 惜 夕 袭 析 隙 嘻 分析 昔 嬉 熄 清晰 需 须许 虚 需 续 旭 序 恤 叙 绪 蓄 胥 絮 嘘 墟 栩 煦 酗 一 以 已 亿 易 亦 意 依 义 宜 伊 乙 仪 衣 益 矣 艺 异已 译 医 逸 翼 怡 移 毅 议 疑 忆 倚 椅 遗 溢 奕 役 抑 谊 姨 免疫 蚂蚁 裔 博弈 涟漪 奕奕 与 于 玉 鱼 余 於 雨欲 语 宇 羽 遇 域 预 愈 育 予 御 犹豫 忧郁 浴 喻 愚 誉 娱 狱 屿 淤 愉 呼吁 阿谀 (自 子 字 紫 资 仔 姿 滋 咨渍 制 值 只 至 止 之 指 志 直 知 智 治 支 纸 质 致 置 枝 职 址 执 汁 植 芝 脂 织 滞 旨 掷 肢 趾 对峙 幼稚 秩秩 挚 旗帜
a押韵歌词 第5篇
煎熬 骄傲 奥 凹 报 宝 包 保 堡 爆 抱 风暴 薄 饱 豹 曝 标 表 草 操 槽 超 炒 巢 潮 抄 吵 钞 朝 到 道 道 岛 刀盗 倒 稻 捣 舞蹈 唠叨 哀悼 高 搞 告 稿 糕 好 号 浩 豪 耗 嚎 毫 叫 教 交 脚 靠 烤 拷 老 劳 牢 捞 烙 奶酪 涝 了聊 料 疗 毛 猫 茂 帽 冒 貌 卯 矛 时髦 抛锚 苗 秒 妙 庙 描 瞄 淼 缈 脑 闹 挠 恼 玛瑙 孬 鸟 尿 袅袅 跑 泡 抛炮袍 刨 飘 漂 票 嫖 巧 桥 敲 瞧 侨 翘 俏 窍 撬 悄悄 峻峭 蹊跷 锹 绕 饶 扰 富饶 扫 嫂 骚 少 烧 稍 介绍 勺 树梢哨 捎 艄 套 涛 桃 讨 逃 淘 掏 滔 嚎啕 跳 条 调 挑 眺 迢迢 窕 小 笑 晓 肖 萧 校 效 消 孝 销 咆哮 云霄 削 良宵要 腰 耀妖 遥 窑 歌谣 摇 咬 药 佳肴 炫耀 吆 老幺 早 造 遭 枣 灶 燥 皂 糟 藻 凿 噪 澡 跳蚤 找 照 招 着 兆 朝 罩
a押韵歌词 第6篇
上图是Seq2Seq的总体流程图。 Encoder和Decoder分别是一个传统的RNN，encoder最后一个时刻的cell的hidden state输出到decoder的第一个cell里，通过激活函数和softmax层，得到候选的symbols，筛选出概率最大的symbols，作为下一个cell的输入。汇总所有的decoder的output就是最后的预测结果。
为什么要使用Encoder的最后一个hidden state? 在Encoder-Decoder结构中，Encoder把所有的输入序列都编码成一个统一的语义特征c再解码，因此， c中包含原始序列中的所有信息。
这是Encoder的构造，它和普通的RNN、LSTM没有区别。具体每个细胞接受的是每一个单词word embedding，和上一个时间点的hidden state。输出的是这个时间点的hidden state。
这是Decoder的构造，第一个cell是输入是encode的最后一个cell的hidden state，并且当前的output会输入到下一个cell中。