古诗，作为中华文化的凝结，诠释了古人至上无比的智慧，是千千万万文人墨客的思想结晶。古诗不论是句式的结构，文字的结合，亦或是对文字音调的搭配都达到了一个相当高的水准。同时，古诗是一种不朽的文化精髓，更是中华名族的文化瑰宝。近年来，随着人们生活水平的提高，传统的诗词文化再一次掀起了人们对于传统文化的学习浪潮。越来越多的人希望创作出符合自己意愿的诗句，但是却因为诗歌创作的难度便望而却步。
近年来，随着计算机人工智能技术的不断发展，循环神经网络在自然语言处理方面得到了广泛的应用，在技术的支持下，开发出一款在线古诗自动生成的软件具有充分的现实意义，该软件集结了海量的诗词库，支持古诗的检索，可以按照智能的方法生成特定的诗句，解决了人们在诗歌创作方面的部分难题。
本论文在对比了不同神经网络模型在古诗自动生成的基础上，结合在线古诗自动生成软件的具体需求，采用了基于长短期记忆网络模型（LSTM）的神经网络结构，进行古诗自动生成算法模型的构建，并对模型的诗歌生成效果给出了评估结果，最终结合软件开发的流程完成了在线古诗自动生成系统的设计。
LSTM改善了RNN中的长期依赖问题，作为非线性模型可以用于构造更大深度的神经网络。但是，RNN的梯度问题虽然在LSTM的一个变种中得到解决，但是还是不彻底，更长序列依然存在问题，以及受时间跨度和网络深度的影响。由于LSTM模型可以实现长期记忆，可以保存上下文的关联性，因此在自然语言处理方面得到了广泛的应用。
硬件实验环境参数实验数据集
数据集来源于Github社区作者Sheng You开源的古诗文本文件poetry.txt。如下图2.3所示。数据集包含了唐宋时期常见的40030首古诗，涵盖了古诗生成机器学习的常见诗歌，同时，数据集按照一定的规则进行排列，题目和作者通过特定字符去分割，以及每一首古诗占据一行，方便机器学习中文本的处理和向量转化.
数据集预处理
数据集预处理算法：
输入：古诗数据集poetry.txt
输出：word与id映射的字典
1.按行读取预料文本内容
2.for t = 1 : max
2.根据五言律诗诗句的长度筛选训练集
3.对选取好的训练集合中诗句字频进行统计排序
4.对频率较低的字进行删除
5.打包成元组列表，生成word到id的映射和id到word的映射关系
返回经过筛选的古诗文本以及word与id映射的字典|
训练过程
模型训练的过程，由于划分的训练任务较大，没有采用fit方法去输入向量，而是采用fit_generator的方法实现自定义的生成器，让数据批量生成加载进入内存，减小内存的压力。在回调函数中使用tensorboard库查看对应的模型学习曲线，在每一次Epoch后，打印损失率和准确率，同时调用模型模拟古诗的生成，将训练结果保存在out.txt文件中。
模型训练结果
初始训练效果accuracy曲线 初始训练效果loss曲线 改进版loss曲线模型的评估
古诗生成评估方案采用人工评估、BLEU机器评估和模型生成时间效率
针对于以上的评估标准，人工评估方案选取采用的方法为选取对诗歌有研究的20位学者对生成的十组诗歌进行打分（满分为10分，最低分为1分），然后去除最低分和最高分最后取平均分。其公式如下所示：
系统结构
远程服务器的项目部署
系统测试
1.编写测试样例进行功能测试
2.jmeter进行压力测试