企业官网建设流程全解析

Ai创想实验室是专门为中小学AI教育开发的教学平台，包含了值计算、图像分类、音频分类、文本分类、数值回归、图像回归、图像分类+回归、平衡杆、手写数字生成、文本生成等中小学人工智能学习类项目。无需编程基础、无需添加硬件、无需购买算力、无隐私担忧、无需师资培训即可进行教学实践。

本文介绍文本生成模型的构建、数据清洗、训练、预测。使用非序列补全模式，该模式要比序列补全模式训练稍微困难一点。

一、搭建模型

我们使用和上一篇相同的模型：

<xml xmlns="https://developers.google.com/blockly/xml"><block type="nn_input" id="*dZ,qf`rpS3!DeFPI6fW" x="56" y="44"><field name="SHAPE">(None, 10)</field><field name="NAME">input_layer_1</field><next><block type="nn_embedding" id="lQ,`]5a@Dne8o9(.9cE="><field name="INPUT_DIM">600</field><field name="OUTPUT_DIM">64</field><field name="INPUT_LENGTH">10</field><field name="MASK_ZERO">TRUE</field><field name="NAME">embedding_1</field><next><block type="nn_lstm" id="lHKw-!F?YJ5@b)it?H1Y"><field name="UNITS">64</field><field name="ACTIVATION">tanh</field><field name="RECURRENT_ACTIVATION">sigmoid</field><field name="RETURN_SEQUENCES">TRUE</field><field name="DROPOUT">0</field><field name="RECURRENT_DROPOUT">0</field><field name="NAME">lstm_layer_1</field><next><block type="nn_dropout" id="GeQGgsI{{6Vz?R[1w1Rl"><field name="RATE">0.2</field><field name="NAME">dropout_layer_1</field><next><block type="nn_dense" id="FiJ)/Q}jV3?+[gl:2I@E"><field name="UNITS">64</field><field name="ACTIVATION">relu</field><field name="L2_REGULARIZATION">0.0001</field><field name="NAME">dense_layer_1</field><next><block type="nn_dropout" id="{4?_A86kipo5X(#N(xMO"><field name="RATE">0.2</field><field name="NAME">dropout_layer_1</field><next><block type="nn_output" id=",x%s)bDRRh_S7y5lTm];"><field name="TASK_TYPE">classification</field><field name="REGRESSION_UNITS">1</field><field name="REGRESSION_ACTIVATION">linear</field><field name="NUM_CLASSES">600</field><field name="CLASSIFICATION_ACTIVATION">softmax</field><field name="L2_REGULARIZATION">0.0001</field><field name="NAME">output_layer_1</field></block></next></block></next></block></next></block></next></block></next></block></next></block></xml>

导出的未训练模型如下：

{ "success": true, "modelConfig": { "className": "Sequential", "config": { "name": "nnblockly_model", "layers": [ { "className": "InputLayer", "config": { "name": "input_layer_1", "inputShape": [ 10 ], "batchInputShape": [ null, 10 ], "dtype": "float32", "sparse": false } }, { "className": "Embedding", "config": { "name": "embedding_1", "trainable": true, "inputDim": 600, "outputDim": 64, "inputLength": 10, "maskZero": true, "embeddingsInitializer": { "className": "RandomUniform", "config": { "minval": -0.05, "maxval": 0.05, "seed": null } }, "embeddingsRegularizer": null }, "inboundNodes": [ [ [ "input_layer_1", 0, 0, [] ] ] ] }, { "className": "LSTM", "config": { "name": "lstm_layer_1", "trainable": true, "units": 64, "activation": "tanh", "recurrentActivation": "sigmoid", "returnSequences": true, "dropout": 0, "recurrentDropout": 0, "useBias": true, "unitForgetBias": true }, "inboundNodes": [ [ [ "embedding_1", 0, 0, [] ] ] ] }, { "className": "Dropout", "config": { "name": "dropout_layer_1", "trainable": true, "rate": 0.2 }, "inboundNodes": [ [ [ "lstm_layer_1", 0, 0, [] ] ] ] }, { "className": "Dense", "config": { "name": "dense_layer_1", "trainable": true, "units": 64, "activation": "relu", "useBias": true, "kernelInitializer": { "className": "GlorotUniform", "config": { "seed": null } }, "biasInitializer": { "className": "Zeros", "config": [] }, "kernelRegularizer": { "className": "L1L2", "config": { "l2": 0.0001 } }, "biasRegularizer": null, "activityRegularizer": null }, "inboundNodes": [ [ [ "dropout_layer_1", 0, 0, [] ] ] ] }, { "className": "Dropout", "config": { "name": "dropout_layer_1_1", "trainable": true, "rate": 0.2 }, "inboundNodes": [ [ [ "dense_layer_1", 0, 0, [] ] ] ] }, { "className": "Dense", "config": { "name": "output_layer_1", "trainable": true, "units": 600, "activation": "softmax", "useBias": true, "kernelInitializer": { "className": "GlorotUniform", "config": { "seed": null } }, "biasInitializer": { "className": "Zeros", "config": [] }, "kernelRegularizer": { "className": "L1L2", "config": { "l2": 0.0001 } }, "biasRegularizer": null, "activityRegularizer": null }, "inboundNodes": [ [ [ "dropout_layer_1_1", 0, 0, [] ] ] ] } ] }, "keras_version": "tfjs-layers 3.21.0", "backend": "tensorflow", "labelConfig": null, "hasLabelInput": false }, "metadata": { "type": "single_output", "inputShape": [ null, 10 ], "outputShape": [ null, 600 ], "layerCount": 7, "projectId": "33", "exportedAt": "2026-07-17T01:21:29.852Z", "blockCount": 7, "taskId": null, "duration": null }, "originalXml": "<xml xmlns=\"https://developers.google.com/blockly/xml\"><block type=\"nn_input\" id=\"*dZ,qf`rpS3!DeFPI6fW\" x=\"56\" y=\"44\"><field name=\"SHAPE\">(None, 10)</field><field name=\"NAME\">input_layer_1</field><next><block type=\"nn_embedding\" id=\"lQ,`]5a@Dne8o9(.9cE=\"><field name=\"INPUT_DIM\">600</field><field name=\"OUTPUT_DIM\">64</field><field name=\"INPUT_LENGTH\">10</field><field name=\"MASK_ZERO\">TRUE</field><field name=\"NAME\">embedding_1</field><next><block type=\"nn_lstm\" id=\"lHKw-!F?YJ5@b)it?H1Y\"><field name=\"UNITS\">64</field><field name=\"ACTIVATION\">tanh</field><field name=\"RECURRENT_ACTIVATION\">sigmoid</field><field name=\"RETURN_SEQUENCES\">TRUE</field><field name=\"DROPOUT\">0</field><field name=\"RECURRENT_DROPOUT\">0</field><field name=\"NAME\">lstm_layer_1</field><next><block type=\"nn_dropout\" id=\"GeQGgsI{{6Vz?R[1w1Rl\"><field name=\"RATE\">0.2</field><field name=\"NAME\">dropout_layer_1</field><next><block type=\"nn_dense\" id=\"FiJ)/Q}jV3?+[gl:2I@E\"><field name=\"UNITS\">64</field><field name=\"ACTIVATION\">relu</field><field name=\"L2_REGULARIZATION\">0.0001</field><field name=\"NAME\">dense_layer_1</field><next><block type=\"nn_dropout\" id=\"{4?_A86kipo5X(#N(xMO\"><field name=\"RATE\">0.2</field><field name=\"NAME\">dropout_layer_1</field><next><block type=\"nn_output\" id=\",x%s)bDRRh_S7y5lTm];\"><field name=\"TASK_TYPE\">classification</field><field name=\"REGRESSION_UNITS\">1</field><field name=\"REGRESSION_ACTIVATION\">linear</field><field name=\"NUM_CLASSES\">600</field><field name=\"CLASSIFICATION_ACTIVATION\">softmax</field><field name=\"L2_REGULARIZATION\">0.0001</field><field name=\"NAME\">output_layer_1</field></block></next></block></next></block></next></block></next></block></next></block></next></block></xml>" }

二、数据清洗

数据集使用和上一篇一样的数据集，但是我们不进一步处理这些数据的格式——直接使用每行一个人名的原始数据：

我们使用和上一篇一样的模型词汇表600盖了近90%的数据，600中有几个作特殊标记，剩余的均为字符，训练器会自动处理这些细节。

三、训练

导入模型、训练数据，保持默认参数（包括分词器）：

而后，不勾选“序列补全模式”，点击“开始训练”即可：

非序列补全模式会使用滑动窗口来处理数据，数据数据会被处理成若干对数据。从上图可以看到训练时间变长，原因在于训练数据变多了，训练几轮，当模学习进入平台期，即可停止训练并导出已训练模型。

四、预测

将已训练模型导入到预测器，输入一个姓而后点击“生成文本”：

多次点击可以生成多个名字，尝试调节控制参数可以使得模型生成产生变化：

对比输入数据可以看到，模型学会了生成名字，输入一个姓它会生成名并且不仅限于训练数据中该姓对应的名。但如果训练轮次较少，模型欠拟合过多，有时生成的名字会不尽人意。这也证实了使用序列补全模式更好训练——模型能够学会等号这个分隔符的意义从而更快的收敛。

在浏览器内使用本地算力甚至核显就能训练文本生成模型涉及到AiEduLab.tech——AI创想实验室的大量核心技术，暂无公开计划。所以，在演示服务器上不提供该任务类型的训练，我们计划免费（无任何包括后续使用在内的费用）为若干试点中小学搭建局域网服务器，如果您需要加入试点计划可以直接联系我们咨询具体事项。

在AI创想实验室中，我们无需编程基础，不用学习框架，不用配置环境，无需购买费用高昂的显卡，更不用为云端算力付费，使用当前已有的各种硬件：仅有核显的个人、办公、机房电脑，希沃白板等都能达到理想的教学效果。操作简单但AI核心知识样样俱全，无需师资培训就可以进行教学且能取得理想的教学效果。如果加入试点或合作方那么只需要一台局域网服务器（无需显卡、服务器不用供算力）即可一次投入永久使用全部项目和功能，通过后台管理一分钟即可创建一个本地化、校本化的项目实例。

演示版本地址：www.AiEduLab.tech

有任何问题欢迎留言或发送邮件至：hello@AiEduLab.tech