第 6 章 项目结构与数据准备
本章目标：了解项目的模块化组织方式，读懂语料库的格式，并理解
config.py中每个超参数的含义。
6.1 模块化的意义
原始代码将所有逻辑写在一个文件中，随着功能增加会变得难以维护。重构后，项目按单一职责原则拆分为 6 个模块：
poems/
├── data/
│ └── poems.txt ← 语料库（313 首唐诗）
├── config.py ← 所有超参数与路径（统一出口）
├── dataset.py ← 数据预处理 + PoemDataset
├── model.py ← PoemRNNLM 模型定义
├── trainer.py ← 训练循环
├── generator.py ← 诗歌生成（推理）
└── main.py ← 主入口，串联所有模块这种结构的好处：
- 修改超参数：只改
config.py，不需要搜索散落在代码各处的魔法数字 - 替换模型：只改
model.py，其余模块无需修改 - 复用生成逻辑：
generator.py可以单独导入，在任意脚本中使用训练好的模型
6.2 语料库格式
data/poems.txt 的格式很简单：每行一首诗，标点符号保留在行内。
兰叶春葳蕤，桂华秋皎洁。欣欣此生意，自尔为佳节。
岱宗夫如何，齐鲁青未了。造化钟神秀，阴阳割昏晓。
花间一壶酒，独酌无相亲。举杯邀明月，对影成三人。
...（共 313 行）数据统计：
- 诗的数量：313 首
- 不重复的字：2439 个
- 去标点后的训练样本数（
seq_len=24）：11,814 条
6.3 config.py 逐行解读
python
# 数据路径
DATA_PATH = './data/poems.txt'
SEQ_LEN = 24 # 滑动窗口大小：每条训练样本包含 24 个字SEQ_LEN 决定了模型在训练时能看到的最长上下文。值越大，模型能学到更长距离的依赖，但训练也越慢，内存占用越高。
python
# 模型结构
EMBEDDING_SIZE = 256 # 词嵌入维度
HIDDEN_SIZE = 512 # RNN 隐藏单元数
NUM_LAYERS = 2 # RNN 堆叠层数
DROPOUT = 0.2 # Dropout 概率python
# 训练超参数
BATCH_SIZE = 32 # 每个 mini-batch 的样本数
LEARNING_RATE = 1e-3 # Adam 学习率
EPOCH_NUM = 20 # 训练总轮数
MAX_GRAD_NORM = 5.0 # 梯度裁剪阈值python
# 生成参数
DEFAULT_LINE_NUM = 4 # 生成行数（每行两句）
DEFAULT_LINE_LEN = 7 # 每句字数（七言=7，五言=5）
DEFAULT_TEMPERATURE = 1.0 # 采样温度6.4 设备检测：兼容 CUDA / MPS / CPU
本项目支持三种计算后端：
| 设备 | 适用场景 |
|---|---|
| CUDA | NVIDIA GPU，训练最快 |
| MPS | Apple Silicon（M 系列芯片），MacBook 用户的 GPU 加速 |
| CPU | 无 GPU 时的回退，速度较慢但总能运行 |
python
def get_device():
if torch.cuda.is_available():
return torch.device("cuda")
if torch.backends.mps.is_available():
return torch.device("mps")
return torch.device("cpu")MacBook Pro 用户通常会自动使用 MPS，训练速度比纯 CPU 快 3–5 倍。
小结
- 项目按单一职责分为 6 个模块，config 统一管理所有超参数
- 语料库共 313 首唐诗，2439 个不重复字，生成 11,814 条训练样本
- 设备检测按优先级：CUDA → MPS → CPU