首先，展示一下项目最终结果：

                    寒梅                                                           月夜         

腊雪初开绿阴雨, 疏疏深处不相侵。            声声不断夜月明，竹影摇摇兮山云。
数点花枝无限意, 寒梅一片雪中吟。            阶下梧桐秋色冷，意长风月不可听。

                     秋思                                                              思乡
秋风吹雨雨霏霏，念客相思不见人。           夜来风雨风吹月，泊客风霏月满船。  
孤水不知无处处，独来春雨不知愁。           异人何处相思梦，念君无是故人归。
泊人风雨无人去，怀客相逢一鬓开。           悲声不分无人事，独尽谁怜一日时。  
漂漫江山无不寐，思君何处更相逢。           晚夜不堪春水去，怀人何处醉相思。 

整个项目大体分为4部分：

1. 30万首诗歌分类（基于Fasttext文本分类实现）
2. 用户主题词，相似词计算（基于word2vec实现）
3. 诗歌生成（应用tensorflow搭建的LSTM模型实现）
4. 前端展示（flask框架做服务器+MySQL数据库保存+Android前端展示）

创新：

• 诗歌中2/4/6/8句最后一个字押韵，按《汉字押韵字表》进行的筛选。
• 诗歌类别针对性强，根据用户给定的主题词，生成以此主题为核心的诗歌。
• 生成诗歌的每个字都经过《诗学含英》，进行了概率权重计算。

《诗学含英》此书是按韵分部，包罗天文地理，花木鸟兽，人物器物等的虚实应对。从单字到双字,三字对,五字对,七字对到十一字对，节奏明快琅琅上口，从中可得语音，修辞的训练。

整个项目的系统框架如下：

流程：

1. 首先，把近30万首诗歌分为5类，分别训练5类诗歌的数据得到5个LSTM网络模型。

2. 根据用户输入的主题词，由word2vec计算主题词与每类诗歌15个关键词的相似度，判断其最可能所属的类别。

3. 再由所属类别的word2vec模型生成与主题词最相似的6个相似词，并结合主题词一同作为后续每句诗歌开头字的候选集合。

4. 通过LSTM模型生成候选字，再通过《诗学含英》的概率权重计算，选择最终概率最高的作为生成字。

5. 在生成2、4、6、8句诗的最后一个字时，按照《汉字押韵字表》进行筛选过滤，来实现押韵特征。

6. 最后服务器将生成的诗歌返回给前端APP进行展示。

一 、诗歌分类：

      首先，在古诗文网上爬取五类诗歌（边塞征战，写景咏物，山水田园，思乡羁旅，咏史怀古）各600首作为分类模型的训练数据。训练生成FastText分类模型。然后用此分类模型为近30万首诗歌分类。

二、用户主题词分类：

事先分别为五类诗歌设置15个关键词，然后以维基百科为语料训练得到维基百科的word2vec模型。根据用户输入的主题词，来与各类诗歌的关键词做相似度计算，判断主题词最可能所属的诗歌类别

三、用户主题词的相似词生成：

之后以分好类的五类诗歌为语料，训练得到各自的word2vec模型。判断主题词类别后，以其所属类别的word2vec模型，生成6个与主题词最相似的词，作为后续生成诗歌时，每句开头字的候选集合。

四、建立模型

采用深度学习框架tensorflow为五类诗歌分别建立长短期记忆网络模型（LSTM）。把主题词最相似的6个词作为每句诗的开头字的候选集合，并将LSTM模型生成的每个候选字通过《诗学含英》进行概率权重计算，最终选择概率最大的字作为生成字。在生成2/4/6/8句诗歌时，对最后一个字按照《汉字押韵字表》进行押韵筛选过滤，实现诗歌的押韵机制。

五、前端展示

以APP的形式与用户进行移动端展示。服务器端用的Flask框架，连接的MySQL数据库，用于保存用户注册的基本信息。在APP的主界面下，用户输入主题词，可选择生成此主题下的五言绝句、五言律诗、七言绝句、七言律诗，随后服务器将生成的诗歌返回到APP的主界面进行展示。

整个项目的五个模块，共五小节：

二节：https://blog.csdn.net/turbo_come/article/details/94153192#comments

三节：https://blog.csdn.net/Turbo_Come/article/details/96478565?depth_1-utm_source=distribute.pc_relevant.none-task&utm_source=distribute.pc_relevant.none-task

四节：https://blog.csdn.net/Turbo_Come/article/details/99685056?depth_1-utm_source=distribute.pc_relevant.none-task&utm_source=distribute.pc_relevant.none-task

五节：https://blog.csdn.net/Turbo_Come/article/details/100033041