这里使用一部 90 多万字小说《琉璃美人煞》为例，使用 LSTM 方法做一次文本生成。
从一句预测下一句
Input data: '玑庸懒外表下的，是一颗琉璃般清澈冰冷的心，前世种种因果，让她今世不懂情感。对修仙'
Target data: '庸懒外表下的，是一颗琉璃般清澈冰冷的心，前世种种因果，让她今世不懂情感。对修仙的'
Input data: '人来说，有心者，凡间即天庭。那么，有心者，是不是可以琉璃亦血肉？天下闻名的簪花大'
Target data: '来说，有心者，凡间即天庭。那么，有心者，是不是可以琉璃亦血肉？天下闻名的簪花大会'
Input data: '前夕，璇玑被选为摘花人，与父亲和师兄钟敏言下山狩猎妖魔，并结识了离泽官弟子禹司凤'
Target data: '夕，璇玑被选为摘花人，与父亲和师兄钟敏言下山狩猎妖魔，并结识了离泽官弟子禹司凤。'
|
Input data 是 X，Target data 是 Y。
在 LSTM 的参数中，设定 return_sequences=True 让每个状态向量都参与到对下一个字的预测任务中来。
在下图中的每一个 h 向量上面都接上一个 Dense Layer，做输出，所以就可以预测出和输入序列长度相同的目标序列。
从一句预测下一字
Input data: '玑庸懒外表下的，是一颗琉璃般清澈冰冷的心，前世种种因果，让她今世不懂情感。对修仙'
Target data: '的'
Input data: '人来说，有心者，凡间即天庭。那么，有心者，是不是可以琉璃亦血肉？天下闻名的簪花大'
Target data: '会'
Input data: '前夕，璇玑被选为摘花人，与父亲和师兄钟敏言下山狩猎妖魔，并结识了离泽官弟子禹司凤'
Target data: '。'
|
Input data 是 X，Target data 是 Y。
在 LSTM 的参数中，设定 return_sequences=False 只让最后一个状态量 ht 参与到对下一个字的预测任务中来。
在下图中的 ht 向量上面都接上一个 Dense Layer，做输出，所以就可以预测出长度为 1 的目标序列。
