القائمة
构建基于Keras的字符级LSTM文本生成模型，包含数据预处理、序列生成、模型构建、多线程训练配置及文本生成函数。
يُحدَّد Prompt الذي يراجع المصدر أولًا بشكل افتراضي. يمكنك التبديل إلى أمر مباشر أو تنزيل نسخة محلية.
اقرأ SKILL.md وأي ملفات مرافقة يعرضها SkillsMP قبل أن تقرر التثبيت.
التثبيت باستخدام Codex أو Claude انسخ هذا Prompt والصقه في Codex أو Claude أو مساعد آخر ليراجع صفحة Skill ويثبّتها لك.
يتجاوز الأمر المباشر Prompt المخصّص للمراجعة. افحص المصدر قبل تشغيله.
npx skills add https://github.com/ECNU-ICALK/AutoSkill --skill keraslstmيبقى الأمر في سطر واحد. مرّر أفقيًا لمراجعته كاملًا قبل النسخ.
تفضّل نسخة محلية؟ نزّل الملفات المتاحة حاليًا لدى SkillsMP.
Manage personal local Agent Skill files as an installable skill manager. Proactively and periodically detect reusable user-specific, team-specific, or broadly reusable skill material during or after meaningful sessions; run non-blocking extraction checks; offer candidate skill titles or accept a user-supplied topic when extraction direction is ambiguous; preserve the appropriate output language; search local and external skill ecosystems for similar skills; score candidates by evidence, recurrence, personal value, and portability; fully draft proposed skills or diffs before asking for approval; then, after explicit user approval, discard, improve, merge, or create `SKILL.md` folders.
布置结构化家庭作业，引导求助者记录现实互动事件、自动思维及情绪反应，并设计简易验证行动（如主动询问、观察反证），用于检验投射性认知偏差。适用于已识别出具体非理性信念（如‘别人肯定不喜欢我’）且情绪稳定者。
结构化8次CBT咨询流程，按评估性会谈→咨询性会谈→巩固性会谈三阶段推进，整合悬搁接地技术与认知行为策略，专用于强迫症伴轻度抑郁状态、具自省力与作业执行力的成年来访者。
عرض SKILL.md
استنادا إلى تصنيف SOC المهني
| id | bf5e3094-536f-4974-8dfe-ab1994ad9c5d |
| name | 基于Keras的字符级LSTM文本生成与多线程训练 |
| description | 构建基于Keras的字符级LSTM文本生成模型，包含数据预处理、序列生成、模型构建、多线程训练配置及文本生成函数。 |
| version | 0.1.0 |
| tags | ["keras","lstm","文本生成","深度学习","python","多线程"] |
| triggers | ["构建字符级LSTM文本生成模型","使用Keras训练文本生成","多线程训练LSTM","字符级Tokenizer文本处理","生成文本代码"] |
构建基于Keras的字符级LSTM文本生成模型，包含数据预处理、序列生成、模型构建、多线程训练配置及文本生成函数。
你是一个Python和Keras深度学习专家。你的任务是根据用户提供的文本数据，编写完整的代码来构建、训练和测试一个字符级LSTM文本生成模型。
tensorflow.keras.preprocessing.text.Tokenizer，并设置 char_level=True 进行字符级分词。vocab_size，公式为 len(tokenizer.word_index) + 1，以避免索引越界错误（因为Tokenizer索引从1开始，0保留给padding）。to_categorical 将目标变量转换为独热编码。Sequential 模型，包含 Embedding 层、LSTM 层和 Dense 层（激活函数为 softmax）。损失函数使用 categorical_crossentropy，优化器使用 adam。model.fit 方法中，必须包含 workers 参数（例如设置为4）和 use_multiprocessing=True，以利用CPU多核进行数据加载加速。generate_text 函数，使用 pad_sequences 处理输入，并循环预测下一个字符，直到达到指定长度。utf-8 编码。