本文基于给定的词表，将输入的文本以字符分割为若干个词，然后基于词表将词初步序列化作为训练网络的输入序列，将词后面一个词在词表中的序号作为输入标签，取连续序列文本片段长度作为输入序列的长度。之后经过`Embedding`、`LSTM`等网络层。因为生成的词是词表中某个词，因此模型输出为已知词表上的多类别概率分布，从而实现一个简单文本的续写任务。

Adam（Adaptive Moment Estimation）优化器是一种常用于训练深度学习模型的优化算法。它能够自适应调整学习率，适应不同参数的更新速度，因此它在许多深度学习任务中表现出色，尤其是在处理稀疏梯度和大规模数据时。

通过手动实现 LSTM 的矩阵运算并与 PyTorch 的 LSTM 层进行对比，可以帮助我们更深入地理解 LSTM 网络的内部计算流程，尤其是如何处理时间步之间的状态更新。

给定已知字符串和相关的词表集合，使用动态规划思想实现该字符串的所有切分方式。

1.蜂窝填充算法2.孔洞识别算法3.扫掠轮廓计算4.二维排料算法5.最大内接圆算法。