因为语言模型并不是背诵了训练数据，而是学习了训练数据中单词的排列模式。如果语言模型通过语料库正确学习了单词的出现模式，我们就可以期待该语言模型生成的文本对人类而言是自然的、有意义的。
这个世界充满了时序数据。文本数据、音频数据和视频数据都是时序数据。另外，还存在许多需要将一种时序数据转换为另一种时序数据的任务，比如机器翻译、语音识别等。其他的还有进行对话的聊天机器人应用、将源代码转为机器语言的编译器等。像这样，世界上存在许多输入输出均为时序数据的任务。
编码就是将任意长度的文本转换为一个固定长度的向量。
在基于mini-batch学习可变长度的时序数据时，最简单的方法是使用填充。所谓填充，就是用无效（无意义）数据填入原始数据，从而使数据长度对齐。
数据集原本应分成训练用、验证用和测试用3份。用训练数据进行学习，用验证数据进行调参，最后再用测试数据评价模型的能力。
本章我们探讨了基于RNN的文本生成。实际上，我们只是稍微改动了基于RNN的语言模型，增加了文本生成的功能。seq2seq模型拼接了编码器和解码器，是组合了两个RNN的简单结构。但是，尽管seq2seq简单，却具有巨大的潜力，可以用于各种各样的应用。
本章所学的内容
1.基于RNN的语言模型可以生成新的文本；
2.在进行文本生成时，重复“输入一个单词（字符），基于模型的输出（概率分布）进行采样”这一过程；
3.通过组合两个RNN，可以将一个时序数据转换为另一个时序数据（seq2seq）；
4.在seq2seq中，编码器对输入语句进行编码，解码器接收并解码这个编码信息，获得目标输出语句；
5.反转输入语句和编码信息分配给解码器的多个层（Peeky）可以有效提高seq2seq的精度；
6.seq2seq可以用在机器翻译、聊天机器人和自动图像描述等各种各种各样的应用中。