在大型语言模型（LLM）统治自然语言处理领域的今天，我们习惯了调用API来获取惊艳的文本生成效果。然而，这种“开箱即用”的便利也让我们与AI底层的序列建模逻辑渐行渐远。要真正理解机器是如何预测下一个词、如何捕捉语言的时序依赖关系，最好的方式莫过于亲手搭建一个轻量级的循环神经网络（RNN）。本文将带你使用PyTorch实现一个字符级文本生成器，它不需要昂贵的GPU集群，只需几分钟的训练，就能模仿特定文风“创作”出连贯的句子。

核心思想：将语言视为概率序列

文本生成的本质是一个条件概率问题：给定前面的所有字符，预测下一个字符最可能是什么。与处理图像的CNN不同，文本具有强烈的时序性，“我”后面接“爱”的概率远高于接“桌”。RNN通过引入“隐藏状态”（Hidden State）作为记忆单元，将历史信息压缩并传递给下一个时间步，从而实现对上下文的感知。我们采用字符级（Character-level）而非词级别建模，这避免了庞大的词表构建和未登录词问题，让代码更加精简直观。

首先，我们需要将原始文本转化为模型可理解的数字序列。这里以莎士比亚的作品片段为例，构建字符到索引的双向映射字典。

import torch
import torch.nn as nn
import numpy as np

# 1. 读取文本并提取唯一字符集
text = open('shakespeare.txt', 'r', encoding='utf-8').read()
chars = sorted(list(set(text)))
vocab_size = len(chars)
athenahq.cn

# 2. 构建双向映射字典
char_to_idx = {ch: i for i, ch in enumerate(chars)}
idx_to_char = {i: ch for i, ch in enumerate(chars)}

# 3. 将整段文本编码为整数序列
encoded_text = np.array([char_to_idx[ch] for ch in text], dtype=np.int64)

print(f"词表大小: {vocab_size}, 文本总长度: {len(encoded_text)}")


我们的模型由三层组成：Embedding层将离散的字符索引转为稠密向量；LSTM层（RNN的改进版，有效缓解梯度消失）负责捕获长程依赖；全连接层将隐藏状态映射回词表大小的logits分布。

class CharRNN(nn.Module):
    def __init__(self, vocab_size, embed_dim, hidden_dim, num_layers=2, dropout=0.2):
        super(CharRNN, self).__init__()
        self.hidden_dim = hidden_dim
        self.num_layers = num_layers
        
        self.embedding = nn.Embedding(vocab_size, embed_dim)
        self.lstm = nn.LSTM(embed_dim, hidden_dim, num_layers=num_layers, 
                            batch_first=True, dropout=dropout if num_layers > 1 else 0)
        self.fc = nn.Linear(hidden_dim, vocab_size)
        
    def forward(self, x, hidden=None):
        embed = self.embedding(x)           # [batch, seq_len, embed_dim]
        output, hidden = self.lstm(embed, hidden) # output: [batch, seq_len, hidden_dim]
        logits = self.fc(output)            # [batch, seq_len, vocab_size]
        return logits, hidden
    
    def init_hidden(self, batch_size, device):otterly.cn
        """初始化隐藏状态为零张量"""
        h0 = torch.zeros(self.num_layers, batch_size, self.hidden_dim).to(device)
        c0 = torch.zeros(self.num_layers, batch_size, self.hidden_dim).to(device)
        return (h0, c0)


训练时，我们将文本按固定长度切分为输入序列和目标序列（目标即输入右移一位）。推理时则采用自回归策略：将上一步的输出作为下一步的输入，逐步生成完整文本。为避免生成结果过于单一或混乱，我们使用温度参数（Temperature）对softmax输出进行平滑调节。

def train_model(model, data, epochs=20, batch_size=64, seq_len=100, lr=0.002):
    device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
    model = model.to(device)
    optimizer = torch.optim.Adam(model.parameters(), lr=lr)
    criterion = nn.CrossEntropyLoss()
    
    num_batches = len(data) // (batch_size * seq_len)
    
    for epoch in range(epochs):
        model.train()
        total_loss = 0
        hidden = model.init_hidden(batch_size, device)
        
        for i in range(num_batches):
            # 切分输入和目标（目标右移一位）
            start = i * batch_size * seq_len
            x_batch = torch.from_numpy(data[start:start+batch_size*seq_len]).view(batch_size, seq_len).to(device)
            y_batch = torch.from_numpy(data[start+1:start+batch_size*seq_len+1]).view(batch_size, seq_len).to(device)
            
            # 分离隐藏状态，阻断反向传播穿越整个数据集
            hidden = tuple(h.detach() for h in hidden)
            
            logits, hidden = model(x_batch, hidden)
            loss = criterion(logits.view(-1, vocab_size), y_batch.view(-1))
            
            optimizer.zero_grad()
            loss.backward()
            torch.nn.utils.clip_grad_norm_(model.parameters(), max_norm=5.0) # 梯度裁剪防爆炸
            optimizer.step()
            
            total_loss += loss.item()
        
        print(f"Epoch {epoch+1}/{epochs} | Loss: {total_loss/num_batches:.4f}")

def generate(model, seed_text="The ", length=500, temperature=0.8):
    """自回归文本生成"""
    device = next(model.parameters()).device
    model.eval()
    chars = [char_to_idx[c] for c in seed_text]
    hidden = model.init_hidden(1, device)
    
    with torch.no_grad():
        for _ in range(length):
            inp = torch.tensor(], dtype=torch.long).to(device)
            logits, hidden = model(inp, hidden)
            probs = torch.softmax(logits[0, -1] / temperature, dim=-1)
            next_char = torch.multinomial(probs, 1).item()
            chars.append(next_char)
    
    return ''.join(idx_to_char[i] for i in chars)

# === 执行训练与生成 ===
if __name__ == '__main__':
    rnn = CharRNN(vocab_size=vocab_size, embed_dim=128, hidden_dim=256)
    train_model(rnn, encoded_text, epochs=30)
    print(generate(rnn, seed_text="To be, or", length=300, temperature=0.9))


这个字符级RNN虽然无法与GPT系列相提并论，但它完整复现了语言模型的核心范式：嵌入表示、时序记忆、自回归解码与温度采样。当你看到模型从最初输出乱码，逐渐学会拼写单词，再到模仿出莎翁特有的句式节奏时，你便直观地见证了“智能”从统计规律中涌现的过程。更重要的是，这段代码为你搭建了通往Transformer、注意力机制乃至大模型微调的认知阶梯——所有现代NLP技术的根基，都藏在这个朴素的

函数里。准备好你的文本文件，让AI在你的终端里写下第一行属于它的诗句吧。

让AI学会“说话”：从零实现一个字符级RNN文本生成器

在大型语言模型（LLM）统治自然语言处理领域的今天，我们习惯了调用API来获取惊艳的文本生成效果。然而，这种“开箱即用”的便利也让我们与AI底层的序列建模逻辑渐行渐远。要真正理解机器是如何预测下一个词、如何捕捉语言的时序依赖关系，最好的方式莫过于亲手搭建一个轻量级的循环神经网络（RNN）。本文将带你使用PyTorch实现一个字符级文本生成器，它不需要昂贵的GPU集群，只需几分钟的训练，就能模仿特定

编程语言

学习如何使用PyTorch构建字符级RNN文本生成器，从数据预处理到模型训练，实现轻量级语言模型。了解RNN的时序建模原理，掌握自回归生成与温度采样技术，体验AI从乱码到模仿文风的进化过程。适合NLP初学者实践深度学习基础。

自然语言处理

循环神经网络

数据预处理

4核4G3M云服务器 新用户低至38元/年！

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

让AI学会“说话”：从零实现一个字符级RNN文本生成器

让AI学会“说话”：从零实现一个字符级RNN文本生成器

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐