大略先容一下，本项目在GitHub上有开源，我根据上面的源码做了部分修正，使其看起来更大略易懂。同时，代码的规范更符合新手入门。好了，不多说，就让我们开始吧。
准备事情：
编程工具IDE：pycharm
python版本： 3.6.0
首先新建一个py文件，命名为：ai_poem.py
PS： 以下七步的代码直接复制到单个py文件里面就可以直接运行。（七步成诗）为了让读者方便写代码，我把代码都贴出来了，但是排版存在问题，我又把在pycharm的代码排版给截图出来。
第一步：导入干系的python包
#encoding:utf-8from gensim.models import Word2Vec # 词向量from random import choicefrom os.path import existsfrom warnings import filterwarningsfilterwarnings('ignore') # 不打印警告import re
老规矩，一步一步来，先先容每个包的浸染。 gensim 包是自然措辞处理的个中一个python包，大略随意马虎利用，是入门NLP算法必用的一个python包。如果你想往人工智能方向发展，这个包必须学会。random包用来天生随机数，或者从某个列表随机抽取一个元素。os包，本项目只用到了对文件的操作功能。re包是用于正则表达式，做爬虫的朋友常常会用到这个包来对数据进行洗濯。warning包，是包含了程序运行警告的一些功能。
代码排版
以上这些包，不是关键，学习的时候，如果不懂，可以先跳过。等理解、跑通全体程序流程后，可以一个一个包有针对性地去学习、去看文档。
第二步：参数设定
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 # 天生诗词的开放度 model_path = 'gushici.model' # 模型路径
这里是个人编程的习气，我习气把一些配置，例如：文件路径、模型存放路径、模型参数统一放在一个类中。当然，实际项目开拓的时候，是用config 文本文件存放，不会直接写在代码里，这里为了演示方便，就写在一起，也方便运行。
代码排版
第三步：模型的初始化函数
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] # 模型演习和保存 model = Word2Vec(sentences=ls_of_ls_of_c, size=config.size, window=config.window, min_count=config.min_count) model.save(config.model_path) return cls(config.window, config.topn, model)
initialize() 函数和 __init__() 函数 是工具初始化和实例化，个中包括基本参数的赋值、模型的导入、模型的演习、模型的保存、末了返回用户一个工具。这里作为一个类的基本操作，是属于一个通用模板，在大多数项目中，都可以这么去写。大家可以翻看我之前写的几篇关于python项目，基本都是这个写法，以是这个模板还是有必要记住的。
代码排版
第四步： 古诗词天生（类里面的函数）class Model: ...... """古诗词天生""" def poem_generator(self, title, form, author='佚名', type_name=''): # 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 not title: title += choice(self.chr_dict) tmp_n = 0 for _ in range(4 - len(title)): try: 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]) except: char = title[tmp_n] tmp_n += 1 title += char # 文本天生 seq = list(title) for i in range(form[0]): # 多少行 for _ in range(form[1]): # 每行字数 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:]) if author != 'undefined': return title + '\n'+ "墨客：" + author + '\n\n' + poem else: return title + '\n'+"--"+ type_name + '\n\n' + poem
作诗模型的最核心的算法，通过NLP算法对标题进行补全，对诗的内容进行预测。这里的预测指的是根据用户输入的内容，找出古诗中干系性比较强的语料，再按照古诗词的排版顺序，依次预测每句诗的每个字。这是从五万多首古诗里面，程序自主学习得到的模型。
代码排版
第五步：藏头诗生成规则（类里面的函数）class Model: ...... """古诗词天生 -- 藏头诗""" def poem_generator_hide_head(self, title, form, author='佚名', type_name=''): # 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) tmp_n = 0 for _ in range(4 - len(title)): try: 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]) except: char = title[tmp_n] tmp_n+=1 title += char # 文本天生 seq = list(title) for i in range(form[0]): # 多少行 for _ in range(form[1]): # 每行字数 if _ == 0: char = seq[i] else: 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:]) if author != 'undefined': return title + '\n' + "墨客：" + author + '\n\n' + poem else: return title + '\n' + "--" + type_name + '\n\n' + poem
藏头诗，顾名思义便是把用户输入的内容，作为每句诗第一个字。源码里没有这个模块，这里是我自己添加的，由于在这个项目发布后，有不少网友哀求能天生藏头诗，以是我就做了这个功能。
代码排版
第六步：一些细节上的处理def filter_char(word): """ 过滤掉非中笔墨符 """ sub_str = re.sub(u"([^\u4e00-\u9fa5])", "", word) return sub_str
在项目开拓的时候，常常要考虑一些分外的情形，例如用户不按常理出牌，给你输入一堆字母或标点符号之类的怎么办？我这里写了一个正则表达式，可以过滤掉所有的非中笔墨符。感兴趣的朋友可以去理解一下正则表达式，挺有趣的。
代码排版
第七步： 主流程def main(config=CONF): form = {'五言绝句': (4, 5), '七言绝句': (4, 7)} m = Model.initialize(config) while True: title = input('输入标题：').strip() try: # 普通诗句 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 # 藏头诗 poem = m.poem_generator_hide_head(title, form['五言绝句']) print('\033[031m%s\033[0m' % poem) # red poem = m.poem_generator_hide_head(title, form['七言绝句']) print('\033[033m%s\033[0m' % poem) # yellow except: passif __name__ == '__main__': main()
至此，加上一个main函数去调用，所有程序的入口。我们终于完成了。
代码排版
好了，让我们把代码跑起来。输入一个主题：“清明节”，不到一秒就天生一首诗。
微信端显示：
程序后台结果显示：
如果有疑问想获取源码（实在代码都在上面），可以后台私信我，回答：python写诗。 我把源码发你。末了，感谢大家的阅读，祝大家事情生活愉快！
