自动写诗RAR项目实战：从压缩包解压到序列生成模型调参

简介：一份完整的 AI 自动写诗实验项目包，面向自然语言处理初学者或对生成式 AI 感兴趣的开发者。内含 Python 源码与编译文件、实验指导书、实验报告及演示 PPT，覆盖从诗歌数据集准备、模型训练到效果评估的完整链路，适合用来复现经典文本生成任务。

资源共 18 个文件，其中 4 个 py 和 6 个 pyc 是核心代码与缓存，配合 tang.npz 诗歌数据集和 log 训练日志可直接运行；两份 doc 文档分别提供实验步骤与结果分析，txt 数据文件用于预处理参考，PPT 则便于汇报展示。整个压缩包约 23.83MB，结构清晰，便于按需查阅。

目前已有 169 人学习下载。通过该包可以快速上手 LSTM、Transformer 等模型在古诗生成中的应用，理解 BLEU、ROUGE 等评估指标，并参考实验报告中的排错思路与调参记录，是兼顾理论与实践的自然语言处理学习素材。

1. 自动写诗.rar：先别急着解压，先看它解决什么问题

从网上下载一个“自动写诗.rar”，估计谁的第一反应都是双击解压、找README、然后运行脚本。我拿到这类压缩包项目，会先退一步问一句：里面这套“自动写诗”是怎么实现的？如果只是几个txt加一个模板脚本，半小时能跑通；如果带了模型权重和训练代码，那解压方式、运行环境、显存占用全都要重新评估。自动写诗本身不是玄学，是一个标准的序列生成任务——给定开头几个字，输出一首押韵且可控的诗。这篇文章就顺着rar包的解压、代码拆解、参数调优这条线，把这个标题变成你自己能复现、能改动的小项目。正在做NLP入门、创意写作工具或者期末项目的读者，可以直接按这条路径走。

2. 自动写诗的技术选型：从模板、N-gram到深度模型的取舍

2.1 自动写诗的本质是字符序列建模，不是随机拼词

无论是五言绝句还是七言律诗，写诗的过程都可以看作计算条件概率 p(x_t | x_1, x_2, ..., x_{t-1})，即给定前面已经出现的字，预测下一个字。它和普通文本生成最大的区别在于，诗有额外的约束：字数、平仄、押韵、对仗。所以自动写诗比一般的聊天机器人多两个评价维度——形式合规性和语义连贯性。形式不合规，生成结果再美也不能叫诗；语义不连贯，押韵再工整也是一堆无机词。

我拿到这类rar项目后的第一件事，不是急着跑生成脚本，而是先看里面是“成品”还是“半成品”。如果压缩包里有一个独立的exe或者编译好的可执行文件，那说明作者已经把整个流程固化，你只能当作黑匣子玩玩；如果里面有python脚本和txt语料，那才是能复现、能改参数的项目。自动写诗的方向本身没有太高门槛，门槛在于你能不能判断出包里那套实现用了什么技术栈。

2.2 三种常见实现路径：模板填充、N-gram统计、神经网络生成

先说规则模板。这种实现把诗句当成填空题：预定义好“平平仄仄平平仄，仄仄平平仄仄平”这类格律框架，再从韵脚库里选字填进去。它的优点是永远不会写出病句，连平仄都对齐；缺点是内容几乎谈不上“写”，形似而神无。如果你在rar里看到一堆JSON或Python字典结构，里面存的是韵脚表、意象词库，那基本就是这条路。这类代码适合做中古体打油诗玩具，不值得投入太多时间调参。

第二种是N-gram统计模型。它的思路是从大量语料中统计字与字之间的共现频率，形成一个一阶或多阶马尔可夫链。给定一个首字，从词频表里按概率选后继字。我在手机端小项目里用过这种方式，CPU就能跑，不需要GPU，压缩包里的代码往往也就几十行。但它有一个很明显的边界：一阶模型记不住远处的主语和谓语，生成四句以上的诗时，后半段经常断流。

第三种是神经网络生成，常见的是基于字符的LSTM或因果语言模型（GPT风格）。这类模型会把整句诗当作训练样本，学习“意象搭配”和“句式过渡”，生成质量明显高于前两种，但代价是你需要足够的语料和一定的训练环境。如果压缩包里带有训练脚本train.py和模型目录，那很可能走的是这条路。我的判断顺序是：先看有没有模型文件，再看有没有训练脚本，最后才看语料规模。

2.3 选型对照表：什么场景不配上Transformer

给你一张我做选型时常用的对照表，它能帮你快速判断“自动写诗.rar”里的代码到底值不值得深挖。

有一个很重要的劝退点：如果你解压后数一下语料文本，只有几百首诗甚至几十条，就不要硬上Transformer。数据量不够时，深度学习模型学出来的不是诗，而是标点符号的分布规律，生成结果会出现大量的逗号句号堆叠，完全不像文本。我的原则是：语料少于5000行的，优先用N-gram或者LSTM；少于500行的，老老实实做模板。选型和语料量匹配，比盲目追新技术实用得多。

3. 把压缩包解压并跑通：从7-Zip命令到最小生成脚本

3.1 解压前先过问三件事：密码、编码、路径

rar格式不像zip那样被Windows资源管理器原生支持，所以“自动写诗.rar”双击后弹出“文件格式错误”是很常见的现象。这解释了一个高频问题：7zip可以解压rar文件吗？答案是完全可以。7-Zip内置了rar的解压支持，是Windows下最顺手的rar解压软件之一，需要注意它的创建功能不支持rar，但解压rar没有问题。

解压前有三件事我建议先确认。第一，这个rar包是否加了密码。用密码保护压缩包在论坛分享场景里太常见了，作者经常把密码写在下载页里，直接双击解压会提示“无加密”或“密码错误”。第二，编码问题。在Windows下打包的txt文件，默认编码很可能是GBK或GB18030，拿到Linux或macOS下解压后用UTF-8打开，中文诗会变成一堆乱码。第三，解压路径不要带空格和中文。路径里有空格会引出各种脚本参数解析问题，中文路径则会增加后续Python open文件时的编码工作量。

3.2 7-Zip命令行解压：用x参数，不要用e参数

很多人解压时随手敲7z e，这个命令会把归档里所有文件平铺到一个目录下，目录结构全丢。对于包含“data/”和“models/”子目录的自动写诗项目，平铺后代码相对路径全部失效，跑起来必翻车。我一般建议用7z x，x是extract with full paths，保留压缩包内目录结构。

7z x auto_poem.rar -o./poem -pYourPassword -y

参数说明：x表示按完整路径解压；-o./poem指定输出目录，注意-o和目录名之间不能加空格；-pYourPassword是密码参数，如果没有密码就把整段-p去掉；-y表示遇到重名文件自动覆盖，适合反复解压排查场景。如果命令执行窗口反复报“Can not open encrypted file”，说明密码不对或者rar头带了加密标志，而不是文件损坏。

解压完成后不要急着双击运行。先检查一下文件结构，重点看有没有.bat、.sh、.exe这类可执行文件。从网上下载的压缩包项目来源不可控，尤其是带“破解版”“整合包”字样的rar，里面混入伪装脚本的概率不低。我曾见过一个自动写诗整合包，解压后有个“依赖安装.bat”，内容是下载一段powershell命令。有人跑完写成诗生成了，有人跑完电脑成了矿机。我的习惯是：所有可执行文件一律用文本编辑器打开看一遍，确认只是安装依赖或启动训练，再执行。

3.3 最小可运行的马尔可夫写诗脚本：验证包内环境

假设你在rar里只发现语料和README，没有现成的生成脚本。这时最快的路径是写一个最小的马尔可夫链生成器，先跑通，再决定要不要上深度学习。这个脚本不是为了替代包内代码，而是用来验证环境、验证数据是否完整。

import random import collections def build_markov(text): # 统计每个字的后继分布，key是当前字，value是后续字列表 model = collections.defaultdict(list) for line in text.split('\n'): line = line.strip() if len(line) < 5: continue for i in range(len(line) - 1): model[line[i]].append(line[i + 1]) return model def generate_poem(model, start_chars, length=20): # 指定开头几个字，长度为五言绝句的字数基准 result = list(start_chars) current = start_chars[-1] while len(result) < length: candidates = model.get(current) if not candidates: break current = random.choice(candidates) result.append(current) return ''.join(result) with open('poetry.txt', encoding='gb18030') as f: corpus = f.read() model = build_markov(corpus) print(generate_poem(model, '春'))

这段代码的逻辑说明：build_markov用一个字典存储每个字所有可能的后续字。generate_poem从起始字开始做随机游走，每次从候选列表里随机挑一个后继字，形成一句连续文本。因为足够简单，它能帮你快速确认语料能不能被正常读取、段落结构是否完整、字符编码有没有问题。

这里有一个我踩过的坑：用encoding='utf-8'读一个Windows打包的gbk文本会直接报UnicodeDecodeError，但换成gb18030就顺畅了。gb18030的容错比gbk强，遇到一些生僻字不会随便崩。如果你发现生成的文本里有莫名其妙的单字重复，比如“春春风”，那不是脚本bug，是语料里每行首字和前一行的尾字被连到了一起。解决方法是切分时只按单句处理，不要把整首诗所有行连续拼接。

3.4 数据清洗决定模型上限：给训练脚本喂什么“诗”

如果你不满足于马尔可夫链，决定跑包里的深度学习训练脚本，那“数据准备”这一段比模型参数还重要。自动写诗模型输入的是字符序列，原始唐诗文本里夹杂着标题、作者、注释和空白符，这些噪声会让模型学到错误的转移关系。常见做法是用正则把非汉字字符全部过滤，只保留正文和必要的句读。

import re def clean_poem(raw_text): lines = [] for piece in raw_text.split('\n'): # 只保留汉字和中文标点，其余全部剔除 cleaned = re.sub(r'[^\u4e00-\u9fff，。]', '', piece) if len(cleaned) >= 20: lines.append(cleaned) return '\n'.join(lines)

参数说明：正则里的\u4e00-\u9fff是汉字Unicode区域，它能把数字、英文字母、全角空格全部替换为空串。保留逗号和句号，是为了让模型学习诗句内部的停顿节奏。过滤规则中len(cleaned) >= 20表示只保留长度超过20的句子，这个阈值能去掉标题、作者行和不完整的句子。如果你的语料本身已经是干净的一行一首格式，这步可以跳过。

清洗完以后，我一般还会补一步长度规整：把每首诗按五言、七言分别存储，而不是混在一起。原因是五言和七言的节奏差异很大，混合训练容易生成出前五句五个字、后七句七个字的四不像。体裁分开训练或者至少在数据文件里加一个类型标记，能让生成端口的格式稳定性明显提升。

4. 参数调参与避坑指南：让诗不重样、不跑题、不翻车

4.1 三个必调参数：temperature、top-k/top-p、韵律过滤

不管你在“自动写诗.rar”里找到的是训练代码还是推理脚本，最终生成环节一定绕不开temperature。它的作用是把模型输出logits除以一个温度值，再做softmax把分数转成概率分布。温度越低，分布越尖锐，采样结果越接近概率最高的字；温度越高，分布越平坦，越容易选出平时很少出现的字。写诗这个场景，我用0.8作为起点，偏于稳妥又留一点意外感。低于0.5生成结果会变成复读机，高于1.2就容易出现“火山飘雪花”这种意象混乱的句子。

在深度学习生成脚本里，top-k和top-p是配合temperature使用的两个裁剪参数。top-k会先从所有候选字里挑出概率最高的k个，再在这个子集里重归一化采样；top-p则是按累计概率从高到低往下截断，直到覆盖概率超过p值为止。我的习惯组合是top_k=30、top_p=0.9：先用top-k把生僻字过滤掉，再用top-p把概率长尾裁掉，二者同时作用能有效避免句子中出现“啊”“兮”这类永远不该在五言绝句里出现的语气词。

韵律过滤则是生成之后的规则约束。诗和普通文本不同，尾字押韵是最低要求。我一般会把韵脚按“平水韵”中的常见韵部整理成字典，生成时检查每个结束字的韵母是否在指定韵部内，如果不在就重新采样。这个过滤不是训练阶段做的，而是推理阶段的兜底。它的作用是保证你调参之后生成出来的结果，至少看起来是一首“合格”的诗，而不是一段自动续写散文。

4.2 常见问题排查：乱码、OOM、复读机、不像诗

现象一：解压后txt打开全是乱码。原因是rar包在Windows下打包时，文本默认用了GBK编码，而你在macOS或Linux下默认用UTF-8打开。解决方法是重新用7z解压后，对文本做一次转码，或者直接用带encoding='gb18030'的Python脚本读取。优先用gb18030，它比gbk多覆盖了许多生僻汉字字符，能避免转码时抛UnicodeDecodeError。

现象二：训练脚本跑到一半报CUDA out of memory。原因基本是序列长度和批量太大。很多开源写诗demo默认把max_seq_len设成512，但诗句本身只有20到28个字，模型根本不需要那么长的上下文。解决方法是把max_seq_len调到64或128，batch_size减半到16或8。如果还想继续瘦身，可以使用梯度累积，用两个小batch累加梯度模拟一个大batch效果，显存占用能降一半。

现象三：生成的诗反复出现同一个字，比如“山 山 山 水 水 水”。这个现象的根源是temperature太低，导致模型每次都挑概率最高那一个候选。解决方法是调高temperature到0.9以上，同时给采样逻辑加一个no_repeat_ngram_size=4限制，这个参数能禁止连续四个字符成片重复。注意它是个硬约束，加得太小会影响正常意象复用，4是比较折中的值。

现象四：生成语句像散文换行，完全不押韵。这多半是模型学到了文本的“自然语句”分布，但没有学到诗的韵脚结构。解决思路分两步：第一步在数据预处理时，把训练样本按句尾韵脚分组，保证同一batch里的样本尾字都落在同一韵部；第二步在推理时加上韵律过滤，用规则修正模型输出。数据端和推理端同时调整，比只调任何一个参数都有效。

4.3 rar压缩包密码忘了：授权范围内的恢复思路

和“自动写诗.rar”相关的另一个高频问题，是rar压缩包密码忘了强制解压。我见过不少人在论坛求“强制解压工具”，但在非授权环境里跑暴力破解既不安全也没有正当性。做这件事之前，你必须先确认自己拥有这个压缩包或者已获得对方授权。在满足这个前提之后，才有继续讨论的意义。

第一件事，检查它是不是“文件名加密”。在7-Zip里用7z l列目录，如果文件名还能正常显示，说明只是内容加密，可以通过尝试密码恢复；如果文件名本身就是一串乱码，则rar包头和文件名都做了加密，恢复难度会高一个量级。大多数分享场景只对内容加密，这已经算好消息。

在授权前提下，不要一上来就挂百万字典暴力跑。更实用的是先列一个不超过20个候选密码的清单，比如项目名的缩写、作者ID、日期组合、常用弱密码。然后用7z t测试密码是否正确，这个命令只测试不解压，效率远高于完整解压。

7z t auto_poem.rar -p'Project2024'

参数说明：t代表test mode，只校验压缩包完整性和密码正确性；-p'Project2024'指定候选密码。如果返回“Everything is Ok”，说明密码正确；如果出现CRC Error或Wrong password，就换下一个候选。把候选密码逐行写入passwords.txt后，可以用一个循环批量尝试：

while read pass; do 7z t auto_poem.rar -p"$pass"; done < passwords.txt

这段命令会逐行读取密码，对同一个rar包反复做测试。需要注意的是它只适合小规模候选，一旦候选超过几百条就说明定位方向错了。密码恢复不是无底洞，你越了解这个包的来源，候选密码就越精准。我处理过的最快一次，密码就是作者自己在论坛ID后面加了一个年份，三行循环就出来了。

5. 让写诗结果“可宣称”：质量验证与一个进阶技巧

调参到最后，你面对的问题不是“代码能不能跑”，而是“生成结果到底算不算好诗”。这种时候我建议先做一个可量化的合规性验证。我自用的方法是把生成结果按五言或七言切分，逐句统计三个指标：句长是否达标、尾字是否在目标韵部、全篇重复字率是否低于10%。这三个数字能让你每次调参的产出变成可以对比的记录，而不是“感觉比上次更顺”。

合规率验证通过后，可以做主题词注入。这个进阶技巧特别适合写情感诗或咏物诗。做法是在采样前，给主题相关字在logits上加上一个偏置值，让它们从候选池里更容易被选中。

# 在softmax之前的logits上做主题加权 theme_words = {'月', '风', '花', '水'} for idx, token in enumerate(vocab): if token in theme_words: logits[idx] += 1.5

这段代码的解释：遍历词表，如果当前字属于主题词集合，就把它对应的logits数值上调1.5。这个偏置越大，生成内容越偏向主题相关意象，但太大也会导致句子之间缺乏逻辑衔接。我从0.5开始往上试，一般不超过2.0，超过2.0以后诗句就会变成意象堆砌，比如“花月风月月”这类完全不成句的结果。

验证指标加上主题偏置之后，我还会做一个最简单的“图灵测试”：把模型生成的3首和从诗集里挑出的3首混在一起，让同事挑哪几首不是人写的。这个方法不严谨，但能一次性暴露两个问题——风格模仿能力和平仄错误。如果同事一眼挑出机器作品，问题通常不在参数，而在训练语料风格太单一，这时候要去扩充语料而不是继续调temperature。

我自己的习惯是，每次跑完一组生成，都把当时的随机种子、temperature、top_p这组参数和输出一起存成文件。自动写诗这类任务的随机性很强，不同时记录种子，哪怕参数一模一样，第二天复现出来也会是另一首完全不同的诗。这个习惯救过我很多次，因为“上次调出那句惊艳的句子”之后，最怕的就是找不到当时的状态配置。希望这些经验对你有所帮助。

本文还有配套的精品资源，点击获取