项目参考了 GPT2-Chinese 这个项目
训练数据为 Poetry，我只保留了其中的五言、七言的绝句和律诗，处理后共计 55 万首诗歌数据
向两个仓库的作者的贡献表示感谢。
数据集 Poetry 处理过滤后的原始数据统计为：
训练数据 train.csv 格式为 格式,主题,朝代,作者,藏头字,诗歌，大小为 115 MB
我训练好的模型 final_model/ 文件夹大小为 407 MB
我把两个文件放到了这里：
链接：https://pan.baidu.com/s/1s5V3c0bSqvmDQ_C5w8CXrg 提取码：zvlj
下载后把 train.csv 放到 data/ 目录下，把 final_model.7z 解压后放到 model/ 目录下即可
train.py训练部分代码generate.py生成部分代码frontapp.py前端部分代码/config模型参数配置，其中的 vocab_size 一定要设置成和选用词表大小相同/model模型存放位置/data训练原始数据及 tokenize 之后的数据存放位置/vocab词表存放位置，本项目偷懒直接使用了 GPT2-Chinese 项目提供的vocab_guwen.txt，也可以自己根据原始数据生成词表，可能需要修改一下make_vocab.py文件/tensorboard_summary存放了训练过程中 loss 的变化图，项目路径下运行tensorboard --logdir=tensorboard_summary即可查看
使用的关键库为 transformer 的 GPT2LMHeadModel 以及 tokenization_bert，GPT2LMHeadModel 用于创建 GPT-2 模型，tokenization_bert 用于分词。
处理过后的数据放在了 data/train.csv，训练时将语料处理成了 格式[SEP]藏头字[SEP]诗歌内容 的形式，故生成的时候可以通过指定开头为 格式[SEP]藏头字 来实现特定格式和特定藏头字的 trick
运行 python train.py 后面加参数即可，具体参数及说明可通过 python train.py --help 查看
运行 python generate.py 后面加参数即可，这里给出如何限定题材和藏头字的示例：
python ./generate.py --length=34 --nsamples=4 --prefix=七言绝句[SEP]风和日丽
这里给出不同格式对应的长度参数：
- 七言律诗 65
- 五言律诗 50
- 七言绝句 34
- 五言绝句 26
生成的结果为：
======================================== SAMPLE 1 ========================================
七言绝句
风和日丽
风来水面漾清漪，和雨和烟上下迟。日暮归船归去好，丽华三月已开时。
======================================== SAMPLE 2 ========================================
七言绝句
风和日丽
风流人物竞争妍，和气氤氲上九天。日暖风和莺语滑，丽晴时节燕声喧。
======================================== SAMPLE 3 ========================================
七言绝句
风和日丽
风光一样异凡庸，和气氤氲散绮栊。日午笙歌喧百里，丽人队队舞春风。
======================================== SAMPLE 4 ========================================
七言绝句
风和日丽
风清帘幕晚生香，和气氤氲袭彩裳。日暖游丝飞不定，丽人无语自生凉。
================================================================================
运行 streamlit run .\frontapp.py 并进入页面即可。
- 增加 诗歌风格 用于训练，例如“金戈铁马”、“赠友送别”。要获得风格数据训练，需要使用文本聚类等一系列分析方法。这样之后生成的时候也可以指定风格。
- 适配更多格式的诗句，不仅限于绝句（四句）和律诗（八句），这样藏头字就不会被限制只能为四字和八字
对于改进思路有建议的欢迎提 issue 或者 pr 交流