wod generator

字生成器

此代码使用循环神经网络（Andrej Karpathy 的 char-rnn 模型）生成 CrossFit WOD（每日锻炼）。该网络使用从各种 crossfit 盒子收集的 5k WOD 样本进行训练。尽管数据集很小，但结果既有趣又令人满意。

从这里可以看到一些好的结果的集合。

有趣的结果

当然，并不是所有的结果都很好。这里有一些有趣的：

零WOD

 0 rounds for time 15 minutes
800 mt run
10 sumo deadlift high pull
9 front squat
1 muscle-up

休息WOD

 5 rounds for time
20 minutes rest

几乎不可能的WOD

 5 rounds for time 20 minutes
100 double under
50 wall-ball

在此 WOD 中，没有行，但网络仍然希望在该行上进行波比跳

 7 rounds for time
18 dumbbell squat clean
15 burpees over the row
250 mt run

一些想象练习

 brusseane push-up
t-up
touster
lean & jerk
publ-up
dumbell burpee over the bar
hanging ring in
louble under
ode-hand dip
roundstand walk
tempo kim back extension
muscle sprint
pistol squat snatch
over clean
elite push-up
inverted barbell
rest clean
pill-up

数据

所有 WOD 均收集自：

• crossfit.com
• 寻达伍德网站
• crossfitbalabanlevent.blogspot.com

收集后，所有 WOD 均经过手工语法规范化。这就是为什么数据集那么小，我希望提供更多的 WOD，但所有源都使用不同的格式，有些使用缩写，有些则不使用。为了获得最佳结果，整个数据集应采用相同的格式。

数据集可以在data/wods.txt中找到，或者更好地在位于db.sqlite的 sqlite 数据库的wod表中找到。请随意使用它。

训练

要求：

• Python 2.7（未在 3 中测试）
• 张量流 > 1.0

 > cd char-rnn
> python train.py --help

usage: train.py [-h] [--input_file INPUT_FILE] [--rnn_size RNN_SIZE]
                [--num_layers NUM_LAYERS] [--model MODEL]
                [--batch_size BATCH_SIZE] [--seq_length SEQ_LENGTH]
                [--num_epochs NUM_EPOCHS] [--log_step LOG_STEP]
                [--grad_clip GRAD_CLIP] [--learning_rate LEARNING_RATE]
                [--decay_rate DECAY_RATE]
                [--input_dropout_keep_prob INPUT_DROPOUT_KEEP_PROB]
                [--output_dropout_keep_prob OUTPUT_DROPOUT_KEEP_PROB]
                [--train_root_dir TRAIN_ROOT_DIR] [--vocab_size VOCAB_SIZE]

optional arguments:
  -h, --help            show this help message and exit
  --input_file INPUT_FILE
                        Input text file to train on
  --rnn_size RNN_SIZE   The size of RNN hidden state
  --num_layers NUM_LAYERS
                        The number of layers in the RNN
  --model MODEL         RNN model: rnn, gru, lstm, or nas
  --batch_size BATCH_SIZE
                        Batch size
  --seq_length SEQ_LENGTH
                        RNN sequence length
  --num_epochs NUM_EPOCHS
                        Number of epochs for training
  --log_step LOG_STEP   Logging period in terms of iteration
  --grad_clip GRAD_CLIP
                        Clip gradients value
  --learning_rate LEARNING_RATE
                        Learning rate for adam optimizer
  --decay_rate DECAY_RATE
                        Learning rate for adam optimizer
  --input_dropout_keep_prob INPUT_DROPOUT_KEEP_PROB
                        Input dropout keep probability
  --output_dropout_keep_prob OUTPUT_DROPOUT_KEEP_PROB
                        Output dropout keep probability
  --train_root_dir TRAIN_ROOT_DIR
                        Root directory to put the training data

采样

 > cd char-rnn
> python sample.py --help

usage: sample.py [-h] [--data_dir DATA_DIR] [--seperator_char SEPERATOR_CHAR]
                 [--num_sample NUM_SAMPLE] [--save_to_db [SAVE_TO_DB]]
                 [--nosave_to_db]

optional arguments:
  -h, --help            show this help message and exit
  --data_dir DATA_DIR   Training data directory. If empty, latest folder in
                        training/ folder will be used
  --seperator_char SEPERATOR_CHAR
                        WOD item seperator character, default `|`
  --num_sample NUM_SAMPLE
                        The number of WODs to be sampled, default 1
  --save_to_db [SAVE_TO_DB]
                        Should save into sqlite, default false
  --nosave_to_db