递归神经网络 (RNN) 是一种非常适合处理顺序数据（例如文本、音频和视频）的神经网络。在本文中，我们将使用 TensorFlow.js 和 Node.js 构建一个可以逐字符生成新文本的 RNN。

在我们开始之前，我们需要设置我们的项目。我们将使用 Node.js 的 Express Web 框架，所以首先我们需要安装它。

接下来，我们需要安装 TensorFlow.js。我们将使用 Node.js API，因此我们需要安装“@tensorflow/tfjs-node”包。

现在我们拥有了所需的所有依赖项，我们可以在项目的根目录中创建一个名为 index.js 的文件并开始编码。

我们需要做的第一件事是加载我们将用于训练 RNN 的数据。我们将使用莎士比亚文本语料库，您可以在 下载该语料库。

下载文本文件后，我们可以使用“fs”模块将其加载到我们的 Node.js 程序中。

现在我们已经加载了文本，我们需要对其进行预处理，以使其适合训练我们的 RNN。我们将从将所有字符转换为小写并删除所有非字母数字字符开始。

接下来，我们需要将文本拆分为单个字符的数组。

现在我们已经对文本进行了预处理，我们可以开始构建我们的 RNN。我们将使用长短期记忆 (LSTM) 单元，这是一种非常适合处理顺序数据的 RNN 单元。

我们可以使用以下代码在 TensorFlow.js 中创建一个 LSTM 单元：

接下来，我们需要创建 RNN 本身。我们可以使用以下代码来做到这一点：

现在我们已经创建了 RNN，我们需要编译它。我们将使用 Adam 优化器和分类交叉熵作为我们的损失函数。

现在我们的 RNN 已经编译好了，我们可以开始训练它了。我们首先需要创建一些训练数据。我们将创建一个单热编码字符数组，其中每个字符都由一个零向量表示，索引中的 1 对应于该字符。

现在我们有了 one-hot 编码的字符，我们需要创建我们的训练数据。我们将创建一组训练示例，其中每个训练示例都是一对单热编码字符。对中的第一个字符将是输入字符，第二个字符将是输出字符。

现在我们有了训练数据，可以训练我们的 RNN 了。我们将训练它 10 个时期，并使用 32 的批量大小。

现在我们的 RNN 已经训练好了，我们可以用它来生成新的文本。我们将从创建一个接受一个字符并返回下一个字符的函数开始。

现在我们可以使用我们的 函数来生成新的文本。我们将从字符“a”开始并生成 1000 个字符。

就是这样！您现在有了一个可以逐个字符生成新文本的有效 RNN。

如果您有兴趣了解有关 RNN 的更多信息，我推荐以下资源：