举一个例子。利用 Python 软件，读取一个文件夹下的文本每个文本的内容都是中文文章，对文本进行LDA 主题分类，运算当主题数为多少时困惑度达到最低，确定文本的最优主题数，得到每篇文档的概率生成分布，输出主题词及各个主题在所有文章中所占的权重

好的，以下是一个简单的 Python 代码示例：

import os
import jieba
import gensim
from gensim import corpora, models
from gensim.models import CoherenceModel

# 读取文件夹下的所有文本
path = 'folder_path'
docs = []
for file in os.listdir(path):
    with open(os.path.join(path, file), 'r', encoding='utf-8') as f:
        doc = f.read()
        docs.append(doc)

# 分词
stopwords = []
with open('stopwords.txt', 'r', encoding='utf-8') as f:
    stopwords = [line.rstrip() for line in f]
texts = []
for doc in docs:
    words = [word for word in jieba.cut(doc) if word not in stopwords]
    texts.append(words)

# 构建词典和语料库
dictionary = corpora.Dictionary(texts)
corpus = [dictionary.doc2bow(text) for text in texts]

# 计算困惑度
coherence_values = []
model_list = []
for num_topics in range(2, 11):
    lda_model = models.ldamodel.LdaModel(corpus=corpus, id2word=dictionary, num_topics=num_topics)
    model_list.append(lda_model)
    coherence_model = CoherenceModel(model=lda_model, texts=texts, dictionary=dictionary, coherence='c_v')
    coherence_values.append(coherence_model.get_coherence())
    
optimal_num_topics = coherence_values.index(max(coherence_values)) + 2

# 训练 LDA 模型
lda_model = models.ldamodel.LdaModel(corpus=corpus, id2word=dictionary, num_topics=optimal_num_topics)

# 输出主题及权重
for i, topic in lda_model.show_topics(formatted=True, num_topics=optimal_num_topics, num_words=10):
    print('Topic {}: {}'.format(i, topic))
    
# 输出每篇文档的主题概率分布
for i, doc in enumerate(corpus):
    doc_topics = lda_model.get_document_topics(doc)
    print('Document {}: {}'.format(i, doc_topics))

其中，需要注意的几点：

- 在分词过程中，需要使用中文分词工具（这里使用 jieba），并且需要加载停用词表（stopwords.txt）进行过滤。
- 在计算困惑度时，我们需要尝试不同的主题数，通过比较困惑度的大小来确定最优主题数。
- 最后，我们可以使用训练好的 LDA 模型，输出每个主题及其在所有文章中所占的权重，以及每篇文档的主题概率分布。