【中小学AI人工智能教育】文本生成任务——名字生成（非序列补全模式）

发布时间：2026/10/13 23:00:38

【中小学AI人工智能教育】文本生成任务——名字生成（非序列补全模式）
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。使用非序列补全模式该模式要比序列补全模式训练稍微困难一点。一、搭建模型我们使用和上一篇相同的模型xml xmlnshttps://developers.google.com/blockly/xmlblock typenn_input id*dZ,qfrpS3!DeFPI6fW x56 y44field nameSHAPE(None, 10)/fieldfield nameNAMEinput_layer_1/fieldnextblock typenn_embedding idlQ,]5aDne8o9(.9cEfield nameINPUT_DIM600/fieldfield nameOUTPUT_DIM64/fieldfield nameINPUT_LENGTH10/fieldfield nameMASK_ZEROTRUE/fieldfield nameNAMEembedding_1/fieldnextblock typenn_lstm idlHKw-!F?YJ5b)it?H1Yfield nameUNITS64/fieldfield nameACTIVATIONtanh/fieldfield nameRECURRENT_ACTIVATIONsigmoid/fieldfield nameRETURN_SEQUENCESTRUE/fieldfield nameDROPOUT0/fieldfield nameRECURRENT_DROPOUT0/fieldfield nameNAMElstm_layer_1/fieldnextblock typenn_dropout idGeQGgsI{{6Vz?R[1w1Rlfield nameRATE0.2/fieldfield nameNAMEdropout_layer_1/fieldnextblock typenn_dense idFiJ)/Q}jV3?[gl:2IEfield nameUNITS64/fieldfield nameACTIVATIONrelu/fieldfield nameL2_REGULARIZATION0.0001/fieldfield nameNAMEdense_layer_1/fieldnextblock typenn_dropout id{4?_A86kipo5X(#N(xMOfield nameRATE0.2/fieldfield nameNAMEdropout_layer_1/fieldnextblock typenn_output id,x%s)bDRRh_S7y5lTm];field nameTASK_TYPEclassification/fieldfield nameREGRESSION_UNITS1/fieldfield nameREGRESSION_ACTIVATIONlinear/fieldfield nameNUM_CLASSES600/fieldfield nameCLASSIFICATION_ACTIVATIONsoftmax/fieldfield nameL2_REGULARIZATION0.0001/fieldfield nameNAMEoutput_layer_1/field/block/next/block/next/block/next/block/next/block/next/block/next/block/xml导出的未训练模型如下{ 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、数据清洗数据集使用和上一篇一样的数据集但是我们不进一步处理这些数据的格式——直接使用每行一个人名的原始数据我们使用和上一篇一样的模型词汇表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不勾选“序列补全模式”点击“开始训练”即可非序列补全模式会使用滑动窗口来处理数据数据数据会被处理成若干对数据。从上图可以看到训练时间变长原因在于训练数据变多了训练几轮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名字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。但如果训练轮次较少模型欠拟合过多有时生成的名字会不尽人意。这也证实了使用序列补全模式更好训练——模型能够学会等号这个分隔符的意义从而更快的收敛。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

相关新闻

切换评审思维，掌握课题本子打高分逻辑

切换评审思维，掌握课题本子打高分逻辑

哈喽，做课题的朋友们，有没有这种感觉：同样的方向，别人一投就中，你改了三轮还是陪跑。问题到底出在哪儿？今天咱们戴上评审的眼镜，看看他们怎么打分。 先说第一点：立项依据。很多人写这…

2026/10/12 20:28:35 阅读更多 →
为老旧电视注入新生命：MyTV-Android如何用原生技术重塑电视直播体验

为老旧电视注入新生命：MyTV-Android如何用原生技术重塑电视直播体验

为老旧电视注入新生命：MyTV-Android如何用原生技术重塑电视直播体验 【免费下载链接】mytv-android 使用Android原生开发的视频播放软件 项目地址: https://gitcode.com/gh_mirrors/my/mytv-android 在智能电视快速迭代的时代，许多家庭的老旧电视…

2026/10/12 3:01:02 阅读更多 →
如何快速掌握macOS软件管理：Applite图形化工具终极指南

如何快速掌握macOS软件管理：Applite图形化工具终极指南

如何快速掌握macOS软件管理：Applite图形化工具终极指南 【免费下载链接】Applite User-friendly GUI macOS application for Homebrew Casks 项目地址: https://gitcode.com/gh_mirrors/ap/Applite 还在为macOS软件安装和更新而烦恼吗？Applite是一…

2026/10/4 13:05:11 阅读更多 →

最新新闻

Oracle 实战速查：表空间、索引与 PL/SQL 避坑指南

Oracle 实战速查：表空间、索引与 PL/SQL 避坑指南

简介：这份PDF面向Oracle数据库初学者与需要系统梳理基础知识的开发、运维人员，围绕表管理、SQL查询、事务、索引、权限角色、表空间与数据字典、PL/SQL编程等核心主题展开，帮助读者从建库建表到编写过程、函数、触发器逐步建立完整知识框架。…

2026/10/13 23:00:15 阅读更多 →
华中杯B题实战指南：拆题建模、代码复现与论文写作全流程

华中杯B题实战指南：拆题建模、代码复现与论文写作全流程

简介：针对2025年华中杯B题（结肠癌基因表达数据分析）的完整论文与代码结果文档，面向数学建模竞赛参赛者、指导教师及生物信息学方向学习者。压缩包内为单个docx文件，大小约4.33MB，内容涵盖论文正文、模型代码…

2026/10/13 23:00:15 阅读更多 →
LiteLLM实战指南：统一大模型API网关，破解多模型接入难题

LiteLLM实战指南：统一大模型API网关，破解多模型接入难题

1. 为什么需要LiteLLM：多模型时代的API调用痛点1.1 各家大模型API带来的集成成本我在公司负责一个内部AI平台，最开始只接了一个模型服务商，一切都很美好：按官方文档写个小demo，跑通对话、总结、翻译几个场景&#xff0…

2026/10/13 23:00:15 阅读更多 →
Windows DLL动态加载：GetProcAddress返回127错误与CALLBACK宏的调用约定陷阱

Windows DLL动态加载：GetProcAddress返回127错误与CALLBACK宏的调用约定陷阱

1. 一个返回值0引发的深夜排查如果你在Windows平台做过动态库加载相关的开发，大概率见过GetProcAddress返回NULL的场景。常规思路无非是函数名拼错了、DLL没加载成功、导出符号被修饰了这几种。但有一种情况特别折磨人：DLL明明加载成功了，函数…

2026/10/13 23:00:15 阅读更多 →
用VS Code精准清理AppData释放磁盘空间

用VS Code精准清理AppData释放磁盘空间

1. 项目概述：当C盘告急，AppData不是“黑箱”，而是可读的诊断报告你有没有在某天打开电脑，突然发现C盘只剩不到5GB可用空间，系统托盘右下角弹出刺眼的红色警告图标？那一刻，手指已经悬在了“此电脑…

2026/10/13 23:00:15 阅读更多 →
GRP-U8行政事业版数据库部署与运维：从选型到备份恢复的实战指南

GRP-U8行政事业版数据库部署与运维：从选型到备份恢复的实战指南

简介：无论是日常余额核对、凭证追溯，还是年末结转时清理数据，面对GRP-U8行政事业版庞大的数据库常常让人无从下手。这份资料面向用友GRP-U8财务软件的运维实施与行政事业单位信息化人员，集中梳理出真正核心的四张业务表——GL_Yeb…

2026/10/13 22:59:15 阅读更多 →

日新闻

物联网系统集成避坑指南：从选型到验收的关键要点

物联网系统集成避坑指南：从选型到验收的关键要点

做了这么多年物联网系统集成的项目，我最大的感受是，大部分坑不是出在技术前沿，而是出在一些看起来很平常的地方。设备选了便宜的、协议没问清楚、现场没摸透、验收标准写得含糊——这些细枝末节，最后都会变成延期、超支和扯皮的大…

2026/10/13 0:00:57 阅读更多 →
ESP32舵机控制全攻略：从PWM原理到高级玩法与常见故障排查

ESP32舵机控制全攻略：从PWM原理到高级玩法与常见故障排查

如果你玩ESP32有一阵子了，很难不碰到舵机控制这道坎。做智能小车要转方向，做机械臂要抬关节，做云台要偏航俯仰，背后都是同一个东西在干活：舵机。而我见过太多人卡在“代码能编译、舵机就是不听话”这个阶段&#xff0c…

2026/10/13 0:00:57 阅读更多 →
CAN总线原理与STM32实战：抗干扰、仲裁、错误处理全解析

CAN总线原理与STM32实战：抗干扰、仲裁、错误处理全解析

1. 为什么CAN总线至今仍是工业现场的“硬通货”？——从汽车底盘到智能温室的真实需求你有没有拆过一辆老款燃油车的中控台？或者调试过某高校实验室里那台跑着Modbus协议却频频丢帧的PLC控制柜？又或者，在某个农业物联网项目里&…

2026/10/13 0:00:57 阅读更多 →

周新闻

流感时间序列预测实战：ARIMA/LSTM全流程拆解与避坑指南

流感时间序列预测实战：ARIMA/LSTM全流程拆解与避坑指南

简介：基于 ARIMA、LSTM、Transformer 等模型的流感时间序列预测 Python 源码，面向计算机相关专业课程设计与期末大作业学生，以及项目实战学习者。内容覆盖预处理、平稳性检验、定阶、残差分析、多模型对比预测的完整时序建模流程，…

2026/10/13 2:54:56 阅读更多 →
影刀RPA新手教程：键盘模拟输入实战——输入文本与模拟按键的区别

影刀RPA新手教程：键盘模拟输入实战——输入文本与模拟按键的区别

影刀RPA新手教程：键盘模拟输入实战——输入文本与模拟按键的区别 做影刀RPA自动化，十个新手有八个栽在"往输入框里填东西"这件事上：要么填不进去，要么填了一半，要么直接把原来内容追加在后面。这背后的根因&…

2026/10/13 16:22:04 阅读更多 →
影刀RPA新手教程：阅文起点小说数据采集实战——书籍信息与章节内容

影刀RPA新手教程：阅文起点小说数据采集实战——书籍信息与章节内容

影刀RPA新手教程：阅文起点小说数据采集实战——书籍信息与章节内容 1. 认识影刀：什么场景该用RPA采小说数据 起点中文网的页面结构相对稳定——分类榜单、书籍详情、章节内容三块独立页面，跳转链路清晰。这种场景非常适合影刀自动化&#x…

2026/10/13 1:58:08 阅读更多 →

月新闻

我发现了一个新思路：用 Remotion + Claude Code 像写代码一样自动化生成短视频

我发现了一个新思路：用 Remotion + Claude Code 像写代码一样自动化生成短视频

/* MD / 富文本中的 .toc（含博客园搬家等嵌套结构）；.toc-box 在侧栏，不受影响 */#content_views .toc,/* 编辑器常在目录前后插入空 p（:empty 仍占 20px），一并去掉避免顶空隙 */#content_views.markdown_views > p:empty:has(+ .toc),#content_views.markdown_views …

2026/10/13 22:01:27 阅读更多 →
Windows下 Codex 中 Chrome 和 Computer Use 插件不可用问题排查及解决参考方式：TaoToken 统一 Key 配置与验证

Windows下 Codex 中 Chrome 和 Computer Use 插件不可用问题排查及解决参考方式：TaoToken 统一 Key 配置与验证

/* MD / 富文本中的 .toc（含博客园搬家等嵌套结构）；.toc-box 在侧栏，不受影响 */#content_views .toc,/* 编辑器常在目录前后插入空 p（:empty 仍占 20px），一并去掉避免顶空隙 */#content_views.markdown_views > p:empty:has(+ .toc),#content_views.markdown_views …

2026/10/13 14:57:39 阅读更多 →
黑夜航拍船只数据集训练YOLOV5模型全流程解析

黑夜航拍船只数据集训练YOLOV5模型全流程解析

/* MD / 富文本中的 .toc（含博客园搬家等嵌套结构）；.toc-box 在侧栏，不受影响 */#content_views .toc,/* 编辑器常在目录前后插入空 p（:empty 仍占 20px），一并去掉避免顶空隙 */#content_views.markdown_views > p:empty:has(+ .toc),#content_views.markdown_views …

2026/10/12 18:11:17 阅读更多 →