简洁实现RNN循环神经网络 #51CTO博主之星评选#

别裁伪体亲风雅,转益多师是汝师。这篇文章主要讲述简洁实现RNN循环神经网络 #51CTO博主之星评选#相关的知识,希望能为你提供帮助。
写代码之前先回顾一下RNN的计算公式:
隐藏层计算公式:
$$
\\mathbfH_t = \\phi(\\mathbfXt \\mathbfWxh + \\mathbfHt-1 \\mathbfWhh+ \\mathbfb_h)
$$
输出计算公式:
$$
\\mathbfO_t = \\mathbfHt \\mathbfWhq + \\mathbfb_q
$$

import torch from torch import nn from torch.nn import functional as F from d2l import torch as d2l

python人必备导包技术,这段代码不用解释吧。
batch_size, num_steps =32,35 train_iter, vocab = d2l.load_data_time_machine(batch_size, num_steps) num_hiddens = 256 rnn_layer = nn.RNN(len(vocab), num_hiddens)

  • 设置批量大小batch_size和时间步长度num_step,时间步长度就是可以想象成一个样本中RNN要计算的时间步长度是32。
  • d2l.load_data_time_machine加载数据集。
    注意:这里为了方便,加载数据集时候进行数据预处理,使用的是长度为28的语料库词汇表,不是单词表。词汇表是a\\~z的字母外加 空格 和\\< unk\\> 。
  • 设置隐藏层大小的256
  • 在这里RNN层直接使用pytorch提供的RNN。
state = torch.zeros((1, batch_size, num_hiddens)) state.shape

  • 使用torch.zeros用零向量初始化隐状态。隐状态是三维的,形状是隐状态层数、批量大小、隐藏层大小。
  • RNN隐状态计算$\\mathbfH_t = \\phi(\\mathbfXt \\mathbfWxh + \\mathbfHt-1 \\mathbfWhh+ \\mathbfbh)$,这一步就是要初始化$\\mathbfH0$
  • 使用state.shape看一下$\\mathbfH_0$的形状。
  • 测试一下:
    X = torch.rand(size=(num_steps, batch_size, len(vocab))) Y, state_new = rnn_layer(X, state) Y.shape, state_new.shape

    随便搞一个X来试试pytorch自带的rnn层。
    • X就是随机初始化的,形状是(时间步长、批量大小、语料库词汇表长度)。
    • 使用rnn层进行计算返回Ystate_new,注意这里的Y不是我们说的那个RNN的输出,$\\mathbfO_t = \\mathbfHt \\mathbfWhq + \\mathbfb_q$,←不是这个玩意儿,是隐藏层,是$\\mathbfH$。
    • 最后一句是输出一下Ystate_new的形状:
      这里Y是所有的隐状态,state_new是最后一个隐状态。
      简洁实现RNN循环神经网络 #51CTO博主之星评选#

      文章图片

    到这里我们可以得出:pytorch自带的RNN层计算的返回值是整个计算过程的隐状态和最后一个隐状态。
class RNNModel(nn.Module): def __init__(self, rnn_layer, vocab_size, **kwargs): super(RNNModel, self).__init__(**kwargs) self.rnn = rnn_layer self.vocab_size = vocab_size self.num_hiddens = self.rnn.hidden_sizeif not self.rnn.bidirectional: self.num_directions = 1 self.linear = nn.Linear(self.num_hiddens, self.vocab_size) else: self.num_directions = 2 self.linear = nn.Linear(self.num_hiddens * 2, self.vocab_size)def forward(self, inputs, state): X = F.one_hot(inputs.T.long(), self.vocab_size) X = X.to(torch.float32) Y, state = self.rnn(X, state)output = self.linear(Y.reshape((-1, Y.shape[-1]))) return output, statedef begin_state(self, device, batch_size=1): if not isinstance(self.rnn, nn.LSTM): returntorch.zeros((self.num_directions * self.rnn.num_layers, batch_size, self.num_hiddens), device=device) else: return (torch.zeros(( self.num_directions * self.rnn.num_layers, batch_size, self.num_hiddens), device=device), torch.zeros(( self.num_directions * self.rnn.num_layers, batch_size, self.num_hiddens), device=device))

这个是完整的RNN模型。
  • __init__中进行基本设置。
    • 设定RNN层rnn_layer,设定字典大小vocab_size,设定隐藏层大小num_hiddens
    • 然后这个if-else语句,这个语句是为后面准备的。现在这里还是没有什么作用的。因为之后的双向rnn会用到。
      not self.rnn.bidirectional也就是说当这个RNN不是双向的时候,进入if语句。此时设定它只有一个隐藏层,并且设定它的vocab_size。反之则进入else语句,此时设定它有两个隐藏层(因为是双向RNN一个正向的一个反向的),并且设定它的vocab_size
  • forward设定前向传播函数。
    • 先对X进行处理,使其变为one-hot向量。再将数据类型转换为浮点型。
    • 注意在这里Y是我们说的隐状态,不是我们常规意义上的输出。
    • 输出output这里,全连接层首先将Y的形状改为(时间步数批量大小, 隐藏单元数)。再输出output输出形状是 (时间步数批量大小, 词表大小)。
  • begin_state设定初始化的函数。里边也是一个if语句。根据rnn的类型来决定初始化的状态。
    isinstance(self.rnn, nn.LSTM)是看我们的self.rnn是不是nn.LSTM,如果他只是一个普通的rnn,那就直接对其进行隐藏状态的初始化就可以了;如果他是LSTM的时候,它的隐形状态需要初始化为张量。
device = d2l.try_gpu() net = RNNModel(rnn_layer, vocab_size=len(vocab)) net = net.to(device) d2l.predict_ch8(time traveller, 10, net, vocab, device)

输出:
在训练之前,我们先使用我们大号的模型来看一下它的预测结果。可以看出结果非常不好,因为他后边已经开始重复输出xss了。
如果你的输出和我的输出不一样也没有关系。因为它初始化的时候是随机初始化。所以每次运行的结果可能是不同的。
num_epochs, lr = 500, 1 d2l.train_ch8(net, train_iter, vocab, lr, num_epochs, device)

对其进行训练。500个epoch,学习率设定为1。
这张代码的向量函数中还有一个可视化的函数,所以你在跑这张代码的过程中应该可以看到一个下降的过程图表。的那个坐标跑完了之后再运行下边这个预测输出的代码。
d2l.predict_ch8(time traveller, 10, net, vocab, device)

输出:
【简洁实现RNN循环神经网络 #51CTO博主之星评选#】训练之后再看一下他预测生成的结果。至少比上面那一个靠谱很多。

    推荐阅读