尽管您可以通过这种方式生成文本——从训练有素的 RNN 中采样以预测下一个字符或单词——但它没有意义。充其量它在语法上是准确的（就名词、动词、形容词等而言），但语义上是无意义的。除非是幸运的意外，否则它不会是一个总结。

要直接使用 LSTM 生成摘要，您需要使用摘要输入和输出的真实示例来训练网络。这将类似于机器翻译的任务，但由于输入大小的可变性而更加困难。你不太可能找到足够的训练数据来完全测试这个想法，而且即使有大量的训练数据，这种直接的方法是否能产生可接受的结果也不清楚。

事实上，文本摘要无论如何都不是一个已解决的问题。有一些深度学习方法，例如Google Brain 团队使用 TensorFlow 所做的努力，您可以研究这些方法以获得一些示例代码和最先进的感觉。这种方法使用注意力模型来提取明显的信息内容（即，在某些假定的通用文档中出现的可能性很小的内容，因此由于突出而被认为是有趣的）。可以使用经过训练的 LSTM 来构建这种基于注意力的模型 - 直觉是，已经训练的 LSTM 最无法预测的文档部分可能包含值得注意的信息。