方法具体细节为：
「乐府 AI」以 Transfomer 为基础模型，基于 BERT 源代码，实现了自己的 GPT 模型。
其 Transformer 大小的配置与 BERT-base 相同，还采用了 BERT 中发布的标记化脚本和中文词汇。对于文本生成，他们实现了截断的
top-k 采样来生成不同的文本。
三首「乐府 AI」生成的诗歌，与一首诗歌真迹
总的来说，「乐府 AI」学作诗一共分为以下三个阶段：
第一阶段：
数据处理
华为诺亚方舟实验室的 GPT 模型，以中文新闻语料库进行训练，数据训练主要分为
预培训和微调两个阶段。为了进行微调，他们收集了公开的中国古典诗歌，然后将样本诗转换为格式化的序列。
数据训练过程
第二阶段：模型训练
接着，他们在云服务上预训练了其 GPT 模型，包含一个新闻语料库，这一过程花费了 90 个小时。然后用 8 个 NVIDIA V100（16 GB）训练了 4 个阶段。
训练完成后，进行微调，将所有诗歌训练序列输入 transformer，并训练自动回归语言模型，以观察任何序列的概率最大化 X：
第三阶段：
诗歌生成
训练完成后，便应用该模型，根据要求生成特定主题的诗歌。
他们首先将形式和主题转换为
[形式，标识符 1，主题，标识符 2 ]的初始序列，然后将初始序列给到模型，并对主体字段逐个进行解码。
在解码过程中，并不需要硬约束来保证形式的正确性。相反，该模型能够在解码时，
自动分配逗号和句号的位置。当完成诗歌的生成时，会以
「EOS」的 token 来结束这一过程。
「乐府 AI」不仅学会了作诗，还掌握了一个新技能——藏头诗。
对于藏头诗，他们依然采用同样的方法来训练。只不过，训练藏头诗模型时，他们将之前训练过程中的主题（如「静夜思」），用该诗歌的每句首字来替换（如「床疑举低」）。
AI 诗人带来的惊喜
通过该方法生成的结果，令团队感到惊讶。
他们发现模型学会了律诗的复杂配对规则，这一规则，即使对于母语为中文，并接受了正常教育的人来说，都很难掌握（相信很多同学也深有同感）。
在生成的绝句和律诗中，95% 以上都表现良好，不过在词牌方面稍有逊色。原因可能是，相对绝句和律诗来说，词牌的形式相对来说更加复杂，而且训练样本也远远不如前者多。
绝句和律诗都有成千上万的训练样本，而
词牌只有 882 种，其中，只有 104 种的训练样本超过 100 个，即使是最大的样本，也仅包含 816 个。
系统根据「秋思」主题生成的各个体裁的诗歌
另外，在给定的主题中，通常生成结果都很好，但是对于某些主题，比如「机器翻译」，因为在训练语料库中很少出现，就不好生成诗歌。相反的，像「秋思」这类主题，就很容易生成。
团队介绍道，
该方法比现有基于循环神经网络（RNN）的方法简单的多，并且可以产生更好的诗歌。