python sample.py. 在学习仍在进行时进行采样（检查最后一个检查点）仅适用于 CPU 或使用另一个 GPU。要强制使用 CPU 模式，请使用export CUDA_VISIBLE_DEVICES=""andunset CUDA_VISIBLE_DEVICES之后（分别set CUDA_VISIBLE_DEVICES=""在set CUDA_VISIBLE_DEVICES=Windows 上）。

要在中断后继续训练或运行更多纪元，python train.py --init_from=save

数据集

您可以使用任何纯文本文件作为输入。例如，您可以这样下载完整的夏洛克·福尔摩斯：

cd data
mkdir sherlock
cd sherlock
wget https://sherlock-holm.es/stories/plain-text/cnus.txt
mv cnus.txt input.txt

然后使用从顶级目录开始训练python train.py --data_dir=./data/sherlock/

.txt将许多不同的小文件连接成一个大的训练文件的快速提示： ls *.txt | xargs -L 1 cat >> input.txt.

调整

在这一点上，调整你的模型是一种“黑暗艺术”。一般来说：

1. 从尽可能干净的 input.txt 开始，例如 50MiB
2. 首先使用默认设置建立基线。
3. 使用 tensorboard 直观地比较您的所有运行以帮助进行实验。
4. 如果您有大量输入数据，请将 --rnn_size 从 128 调高一些。
5. 将 --num_layers 从 2 调整为 3，但除非您有经验，否则不要更高。
6. 根据有效输入字符串的长度将 --seq_length 从 50 调高（例如名称 <= 12 个字符，句子最多 64 个字符等）。一个 lstm 单元将“记住”比这个序列更长的持续时间，但对于更长的字符距离，效果会下降。
7. 最后，一旦你完成了所有这些，我才会建议添加一些 dropout。从 --output_keep_prob 0.8 开始，可能仅在用尽上述所有值后以 --input_keep_prob 0.8 --output_keep_prob 0.5 结束。

Tensorboard

要可视化训练进度、模型图和内部状态直方图：启动 Tensorboard 并将其指向您的log_dir. 例如：

$ tensorboard --logdir=./logs/

然后打开浏览器访问http://localhost:6006或指定的正确 IP/端口。