【中小学AI人工智能教育】文本生成任务——名字生成（序列补全模式）

Ai创想实验室是专门为中小学AI教育开发的教学平台包含了值计算、图像分类、音频分类、文本分类、数值回归、图像回归、图像分类回归、平衡杆、手写数字生成、文本生成等中小学人工智能学习类项目。无需编程基础、无需添加硬件、无需购买算力、无隐私担忧、无需师资培训即可进行教学实践。本文介绍文本生成模型的构建、数据清洗、训练、预测。使用序列补全模式该模式更易于训练非序列补全模式将在后续文章介绍一、搭建模型对于名字生成任务词汇表无需很大一般几百到上千就可以了首先使用Embedding层然后使用LSTM层注意它们的参数对应关系实际上到这一步就可以进行输出了其输出维度大小即词汇表大小但为了取得更好的训练效果我们添加Dropout层强迫模型学习和全连接层增加一些非线性最终的模型如下JSON{ success: true, modelConfig: { className: Sequential, config: { name: nnblockly_model, layers: [ { className: InputLayer, config: { name: input_layer_1, inputShape: [ 10 ], batchInputShape: [ null, 10 ], dtype: float32, sparse: false } }, { className: Embedding, config: { name: embedding_1, trainable: true, inputDim: 600, outputDim: 64, inputLength: 10, maskZero: true, embeddingsInitializer: { className: RandomUniform, config: { minval: -0.05, maxval: 0.05, seed: null } }, embeddingsRegularizer: null }, inboundNodes: [ [ [ input_layer_1, 0, 0, [] ] ] ] }, { className: LSTM, config: { name: lstm_layer_1, trainable: true, units: 64, activation: tanh, recurrentActivation: sigmoid, returnSequences: true, dropout: 0, recurrentDropout: 0, useBias: true, unitForgetBias: true }, inboundNodes: [ [ [ embedding_1, 0, 0, [] ] ] ] }, { className: Dropout, config: { name: dropout_layer_1, trainable: true, rate: 0.2 }, inboundNodes: [ [ [ lstm_layer_1, 0, 0, [] ] ] ] }, { className: Dense, config: { name: dense_layer_1, trainable: true, units: 64, activation: relu, useBias: true, kernelInitializer: { className: GlorotUniform, config: { seed: null } }, biasInitializer: { className: Zeros, config: [] }, kernelRegularizer: { className: L1L2, config: { l2: 0.0001 } }, biasRegularizer: null, activityRegularizer: null }, inboundNodes: [ [ [ dropout_layer_1, 0, 0, [] ] ] ] }, { className: Dropout, config: { name: dropout_layer_1_1, trainable: true, rate: 0.2 }, inboundNodes: [ [ [ dense_layer_1, 0, 0, [] ] ] ] }, { className: Dense, config: { name: output_layer_1, trainable: true, units: 600, activation: softmax, useBias: true, kernelInitializer: { className: GlorotUniform, config: { seed: null } }, biasInitializer: { className: Zeros, config: [] }, kernelRegularizer: { className: L1L2, config: { l2: 0.0001 } }, biasRegularizer: null, activityRegularizer: null }, inboundNodes: [ [ [ dropout_layer_1_1, 0, 0, [] ] ] ] } ] }, keras_version: tfjs-layers 3.21.0, backend: tensorflow, labelConfig: null, hasLabelInput: false }, metadata: { type: single_output, inputShape: [ null, 10 ], outputShape: [ null, 600 ], layerCount: 7, projectId: 33, exportedAt: 2026-07-17T01:21:29.852Z, blockCount: 7, taskId: null, duration: null }, originalXml: xml xmlns\https://developers.google.com/blockly/xml\block type\nn_input\ id\*dZ,qfrpS3!DeFPI6fW\ x\56\ y\44\field name\SHAPE\(None, 10)/fieldfield name\NAME\input_layer_1/fieldnextblock type\nn_embedding\ id\lQ,]5aDne8o9(.9cE\field name\INPUT_DIM\600/fieldfield name\OUTPUT_DIM\64/fieldfield name\INPUT_LENGTH\10/fieldfield name\MASK_ZERO\TRUE/fieldfield name\NAME\embedding_1/fieldnextblock type\nn_lstm\ id\lHKw-!F?YJ5b)it?H1Y\field name\UNITS\64/fieldfield name\ACTIVATION\tanh/fieldfield name\RECURRENT_ACTIVATION\sigmoid/fieldfield name\RETURN_SEQUENCES\TRUE/fieldfield name\DROPOUT\0/fieldfield name\RECURRENT_DROPOUT\0/fieldfield name\NAME\lstm_layer_1/fieldnextblock type\nn_dropout\ id\GeQGgsI{{6Vz?R[1w1Rl\field name\RATE\0.2/fieldfield name\NAME\dropout_layer_1/fieldnextblock type\nn_dense\ id\FiJ)/Q}jV3?[gl:2IE\field name\UNITS\64/fieldfield name\ACTIVATION\relu/fieldfield name\L2_REGULARIZATION\0.0001/fieldfield name\NAME\dense_layer_1/fieldnextblock type\nn_dropout\ id\{4?_A86kipo5X(#N(xMO\field name\RATE\0.2/fieldfield name\NAME\dropout_layer_1/fieldnextblock type\nn_output\ id\,x%s)bDRRh_S7y5lTm];\field name\TASK_TYPE\classification/fieldfield name\REGRESSION_UNITS\1/fieldfield name\REGRESSION_ACTIVATION\linear/fieldfield name\NUM_CLASSES\600/fieldfield name\CLASSIFICATION_ACTIVATION\softmax/fieldfield name\L2_REGULARIZATION\0.0001/fieldfield name\NAME\output_layer_1/field/block/next/block/next/block/next/block/next/block/next/block/next/block/xml }二、数据清洗如果你使用人名数据集那么需要进行大规模清洗保留几千到一万数据即可达到教学效果。但如果训练效果不好应考虑数据分布问题。一下实验过程的数据是在人名数据集中以固定步长获取的数据这不是一种好办法但最终效果没问题。把清洗后的数据进一步加工为“姓等号名”的形式——默认的序列补全模式分隔符为等号你可以使用其他字符。然后导入到数据管理器可以看到模型设置词汇表600盖了近90%的数据600中有几个作特殊标记剩余的均为字符训练器会自动处理这些细节。三、训练导入模型、训练数据保持默认参数包括分词器而后勾选“序列补全模式”点击“开始训练”即可序列补全模式不会使用滑动窗口来处理数据输入为多少个数据训练对数就是多少。从上图可以看到大约30-40秒即可训练一轮训练十轮左右当模学习进入平台期即可停止训练并导出已训练模型。四、预测将已训练模型导入到预测器输入一个姓而后点击“生成文本”多次点击可以生成多个名字尝试调节控制参数可以使得模型生成产生变化对比输入数据可以看到模型学会了生成“”之后的内容——这正是我们想要的输入一个姓它会生成名并且不仅限于训练数据中该姓对应的名。在浏览器内使用本地算力甚至核显就能训练文本生成模型涉及到AiEduLab.tech——AI创想实验室的大量核心技术暂无公开计划。所以在演示服务器上不提供该任务类型的训练我们计划免费无任何包括后续使用在内的费用为若干试点中小学搭建局域网服务器如果您需要加入试点计划可以直接联系我们咨询具体事项。在AI创想实验室中我们无需编程基础不用学习框架不用配置环境无需购买费用高昂的显卡更不用为云端算力付费使用当前已有的各种硬件仅有核显的个人、办公、机房电脑希沃白板等都能达到理想的教学效果。操作简单但AI核心知识样样俱全无需师资培训就可以进行教学且能取得理想的教学效果。如果加入试点或合作方那么只需要一台局域网服务器无需显卡、服务器不用供算力即可一次投入永久使用全部项目和功能通过后台管理一分钟即可创建一个本地化、校本化的项目实例。演示版本地址www.AiEduLab.tech有任何问题欢迎留言或发送邮件至helloAiEduLab.tech