1．目的及意义
诗歌是世界上最重要和最受欢迎的文学之一，具有极大研究价值。而写一首好诗需要掌握深厚的文学技巧，普通人很难写出精彩的诗歌。如何利用计算机技术从语料库中学习诗歌的创作知识、由机器自动生成诗歌成为了研究热点。

利用计算机生成诗歌的这项工作，最早起始于20世纪70年代。早期的方法是把各种各样的字词杂糅在一起，随机生成“诗”。近些年来，国内外还有不少关于计算机生成诗歌的研究。比如基于模板的方法，这种方法是将一首现有的诗歌去除一些字词后，用一些其他字词进行代替，以此来产生一首新的诗歌^[1]。这种方法所生成的诗歌虽然在语法上有一定的提高，但是不太灵活。后来有了基于模式的方法，这种方法对每个词语的词性进行限制，设置诗句的韵律平仄，从而生成诗歌。再之后出现了基于遗传算法的方法，即将诗歌生成看成状态空间搜索问题，对产出的随机诗句借助人工定义的诗句评估函数，不断进行评估优化，最终得到诗歌^[2]。此外，还有基于统计机器翻译的方法，将诗歌生成当作为机器翻译，将一句诗看成源语言，将对应的下一句当作目标语言，添加韵律平仄等约束，用机器翻译模板生成对应的下一句诗歌，循环生成直到生成完整诗歌。

以上这些方法，诗句会缺乏一定的灵活性和连贯性，并且还需要设计许多人工规则，并对生成的诗歌的韵律进行限制（比如几年前就学会了写中文诗的微软小冰）。但是，随着计算机性能的大幅度提升以及深度学习算法的改进，国内外关于计算机诗歌自动生成方面的研究，至今已经有了极大的改善和进步。比如，重庆大学的易勇利用隐马尔科夫模型、概率语言模型和基于转换错误率驱动的序列学习法分别建立了生成模型，能够得到对仗流畅的生成结果^[3]。微软亚洲研究院与京都大学的部分学者共同创建了一个深度集成嵌入模型和一个基于RNN的生成模型，根据图像的特征和数据集中的skip-thought特征对嵌入模型进行训练，从扩展后的数据集中提取出更多有利于产生“诗意”的信息，最终完成由图像生成英文诗歌的任务^[4]。四川大学的郭全、刘韦伯等提出了一种三阶段多模态的中国诗歌生成方法，使用层次关注的seq2seq模型，有效地捕捉语境中的人物，短语和句子信息，继而提高诗歌的对称性^[5]。M.Ghazvininejad给出了一个名为Hafez的自动诗歌生成系统^[6]，对于一个任意话题，Hafez将展示一首英语现代诗歌。 该系统集成了递归神经网络（RNN）和有限状态接受器（FSA），通过调整各种风格配，Hafez可以让用户修改和修饰生成的诗歌。携程公司研发的Al产品“小诗机”通过建立海量的知识库，利用图像识别技术，使用LSTM、调优后的翻译模型算法和遗传算法，可以根据用户上传的风景照生成诗歌。

尽管如此，能由图像生成古诗的系统还很少，本文将尝试如何基于图像生成古诗，如何利用计算机技术完成对图像的识别，以及从语料库中学习古诗的创作知识、生成优雅的诗句是本研究的重点。

{title}

2. 研究的基本内容与方案

{title}

（1）研究内容：

对给定的任意一幅图片，可以有效识别图片的特征，从中提取多个中文关键字/词，输入已经训练好的模型内输出相关候选诗句。