wod generator

字產生器

此程式碼使用循環神經網路（Andrej Karpathy 的 char-rnn 模型）產生 CrossFit WOD（每日鍛鍊）。該網路使用從各種 crossfit 盒子收集的 5k WOD 樣本進行訓練。儘管數據集很小，但結果既有趣又令人滿意。

從這裡可以看到一些好的結果的集合。

有趣的結果

當然，並不是所有的結果都很好。這裡有一些有趣的：

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

幾乎不可能的WOD

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

在此 WOD 中，沒有行，但網路仍然希望在該行上進行波比跳

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

一些想像練習

 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

數據

所有 WOD 均收集自：

• crossfit.com
• 呼叫伍德網站
• crossfitbalabanlevent.blogspot.com

收集後，所有 WOD 均經過手工語法規範化。這就是為什麼資料集這麼小，我希望提供更多的 WOD，但所有來源都使用不同的格式，有些使用縮寫，有些則不使用。為了獲得最佳結果，整個資料集應採用相同的格式。

資料集可以在data/wods.txt中找到，或更好地在位於db.sqlite的 sqlite 資料庫的wod表中找到。請隨意使用它。

訓練

要求：

• Python 2.7（未在 3 中測試）
• 張量流 > 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

取樣

 > 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