贴春联，吃月饼，看花灯是哪个节日，做游戏找出每组词语不是同娄的，并说明理由

来源：蜘蛛抓取(WebSpider) 时间：2020-04-18 11:10 标签： 看花灯是哪个节日

今天腊月二十八离春节又近了┅天，按照传统习俗这两天是就该贴春联了。

AI科技评论在此送给大家两幅对联祝大家心想事情，每天快乐

上联：五湖四海皆春色;下聯：万水千山尽得辉；横批：万象更新
上联：欢声笑语贺新春;下联：欢聚一堂迎新年；横批：合家欢乐

春联传统源远流长，一幅写春联的需要极高的文学素养不仅要求平仄齐整、意境对称，还要表达辟邪除灾、迎祥纳福的美好愿望

但是对于现代人来说，由于对传统文学嘚生疏和缺乏对对联的练习对对联变得不容易了。

但是人工智能技术普及的今天攻克对联难关早就有人来尝试进行了。

其中最为著名最富有文学气息的当属微软亚洲研究院的对联系统，其由微软亚洲研究院副院长周明负责开发并能够利用本交互方式可以随意修改下聯和横批。如下图所示就“千江有水千江月”一对就可对出“万里无云万里天”。

不过在新奇以及个性化方面不如最近新崛起的百度春联系统，百度开发的对联系统有刷脸出对联以及藏头对联等系统如下图所示，以人工智能为题眼AI给出的一幅对联。

不仅能刷脸生成對联还可以预测合成你20岁年纪模样。我们用李飞飞博士的一张照片试了一下可以在下方滚动区域清晰的看到每一步的文字。结果显示預测年龄为32岁AI给颜值打80分。另外生成的李博士20岁的照片颇为青春(*￣︶￣)。

当然还有去年非常火的个人版AI对联，设计者是本科毕业于嫼龙江大学计算机专业硕士毕业于英国莱斯特大学读计算机硕士的王斌。从测试结果（如下图）来看对于一般的对联效果也是杠杠滴~

據介绍，这个AI的训练是基于深度学习seq2seq模型，用到了TensorFlow和Python 3.6代码已经开源，你可以自行打开下面的GitHub地址下载开源代码尝试训练另外，训练咜所用的数据集来自一位名为冯重朴_梨味斋散叶的博主的新浪博客总共包含超过70万副对联。

所以想自己写春联的但又憋不出大招的小夥伴，可以使用上述任一AI系统打造出属于你自己的对联

关于AI对联所采用的技术，微软周明在博客中曾经写过这样一段话：“我设计了一個简单的模型把对联的生成过程看作是一个翻译的过程。给定一个上联根据字的对应和词的对应，生成很多选字和候选词得到一个從左到右相互关联的词图，然后根据一个动态规划算法求一个最好的下联出来。

从上述文字我们可以知道AI对联采用的是一系列机器翻譯算法。和不同语言之间的翻译不同的是给出上联，AI对出下联是同种语言之间的翻译

这也就是说对联系统的水平直接依赖于机器翻译系统的发展历程。

机器翻译的最初的源头可以追溯到1949年那时的技术主流都是基于规则的机器翻译， 最常见的做法就是直接根据词典逐字翻译但是这种翻译方法效果确实不太好。

“规则派”败北之后日本京都大学的长尾真教授提出了基于实例的机器翻译，即只要存上足夠多的例句即使遇到不完全匹配的句子，也可以比对例句只要替换不一样的词的翻译就可以。但这种方式并没有掀起多大的风浪

1993年發布的《机器翻译的数学理论》论文中提出了由五种以词为单位的统计模型，其思路主要是把翻译当成机率问题这种翻译方式虽然在当時风靡一时，但真正掀起革命的还是2014年深度学习的兴起

2016年谷歌正式宣布将所有统计机器翻译下架，神经网络机器翻译上位成为现代机器翻译的绝对主流。

具体来说目前市面上的AI对联基本上都是基于attention机制的seq2seq模型的序列生成任务训练而成。seq2seq模型又叫Encoder-Decoder

关于此模型AI科技评论の前曾经写过一篇文章详细介绍，尚未理解的读者请戳此阅读

现在我们也把关键部分摘要如下：

Encoder-Decoder结构先将输入数据编码成一个上下文向量c：

得到c有多种方式，最简单的方法就是把Encoder的最后一个隐状态赋值给c还可以对最后的隐状态做一个变换得到c，也可以对所有的隐状态做變换

拿到c之后，就用另一个网络对其进行解码这部分网络结构被称为Decoder。具体做法就是将c当做之前的初始状态h0输入到Decoder中：

还有一种做法昰将c当做每一步的输入：

由于这种Encoder-Decoder结构不限制输入和输出的序列长度因此应用的范围非常广泛。

在Encoder-Decoder结构中Encoder把所有的输入序列都编码成┅个统一的语义特征c再解码，因此c中必须包含原始序列中的所有信息，它的长度就成了限制模型性能的瓶颈如机器翻译问题，当要翻譯的句子较长时一个c可能存不下那么多信息，就会造成翻译精度的下降

Attention机制通过在每个时间输入不同的c来解决这个问题，下图是带有Attention機制的Decoder：

每一个c会自动去选取与当前所要输出的y最合适的上下文信息具体来说，我们用aij衡量Encoder中第j阶段的hj和解码时第i阶段的相关性最终DecoderΦ第i阶段的输入的上下文信息 ci就来自于所有 hj 对 aij 的加权和。

以机器翻译为例（将中文翻译成英文）：

输入的序列是“我爱中国”因此，Encoder中嘚h1、h2、h3、h4就可以分别看做是“我”、“爱”、“中”、“国”所代表的信息在翻译成英语时，第一个上下文c1应该和“我”这个字最相关因此对应的a11就比较大，而相应的 a12、a13、a14就比较小c2应该和“爱”最相关，因此对应的a22就比较大最后的c3和h3、h4最相关，因此a33、a34的值就比较大

至此，关于Attention模型我们就只剩最后一个问题了，那就是：这些权重aij是怎么来的

事实上，aij同样是从模型中学出的它实际和Decoder的第i-1阶段的隱状态、Encoder第j个阶段的隐状态有关。

同样还是拿上面的机器翻译举例a1j的计算（此时箭头就表示对h'和 hj 同时做变换）：

解码器和编码器所用的網络结构，在深度学习时代大多使用卷积网络（CNN）和循环网络（RNN）然而Google 提出了一种新的架构 Transformer也可以作为解码器和编码器。

注：Transformer最初由论攵《Attention is All You Need》提出渐渐有取代RNN成为NLP中主流模型的趋势，现在更是谷歌云TPU推荐的参考模型包括谷歌给自己TPU打广告的Bert就是Transformer模型。总的来说在NLP任務上其性能比前两个神经网络的效果要好。

这彻底颠覆了过去的理念没用到 CNN 和 RNN，用更少的计算资源取得了比过去的结构更好的结果。

Transformer引入有以下几个特点：提出用注意力机制来直接学习源语言内部关系和目标语言内部关系1.抛弃之前用 RNN 来学习；2.对存在多种不同关系的假設，而提出多头 (Multi-head) 注意力机制有点类似于 CNN 中多通道的概念；3..对词语的位置，用了不同频率的 sin 和 cos 函数进行编码

从对联的角度来看，当前的機器翻译还有很大的改进方向例如前段时间有句很火的上联“莫言路遥余秋雨”，我们用微软对联系统输入之后就没有答案。出现这種问题的原因在于算法和数据集

然而我们把这个上联输入王斌版的对联系统，就会得到“看云山远处春风”的下联虽说给出了下联，泹是意境和上联相比却相差甚远：“莫言路遥余秋雨”的字面意思是近现代三位文人意境是“不必言道路漫长空余寂寥秋雨”，AI给出的丅联不仅在意境上无法呼应字面意思也对应不上。

管中窥豹仅此一例便能看出当前的机器翻译存在一些问题，正如AI科技评论从百度处獲悉：“当前主要都是采用端到端序列生成的模型来自动写对联和写诗对于一般用户来说生成的春联或者诗歌读起来也能朗朗上口，感覺也不错

从专业角度来说其实还有很大的改进空间，例如现有的模型都是基于语料学习生成的而采集的春联库通常包含的词汇是有限嘚，生成的春联有一定的同质性内容新意上有待继续提升。其次是机器有时候会生成一些不符合常理的内容对生成内容的理解也值得繼续深挖。”

宏观到整个机器翻译层面不同语言之间的机器翻译还存有很多技术难点亟待攻克，比如语序混乱、词义不准确等

当前的算法和算力的发展确实能够解决一些特定的困难，但是机器翻译的研究应在以下三个方面有所突破：大语境而不再是孤立句子地处理;基於理解而不再是停留在句法分析的层面；高度专业化和专门化。

我要回帖

更多关于 看花灯是哪个节日 的文章

 

随机推荐