RNN：循环神经网络

Handsome_zhou

循环神经网络是用于序列数据分析的神经网络，
比如:  1)情感分类
          2)机器翻译
          3)序列标注






上图为循环神经网络的5种不同架构，从左到右：
第一幅图是一个输入(单一标签)对应一个输出(单一标签)，即“one to one”方式；第二幅图为一个输入对应多个输出，即“one to many”方式，这种网络架构广泛用于图片的对象识别领域，即输入的是一张图片，输出的是一个文本序列；
第三幅图是多个输入对应一个输出，即“many to one”方式，这种网络架构广泛用于文本分类或视频片段分类的任务，输入的是视频或文本集合，输出的是类别标签；
第四幅图是多个输入对应有间隔的多个输出，即第一种“many to many”方式，这种网络架构就是机器翻译系统，输入的是一种语言的文本，输出的是另一种语言的文本；
第五幅图是多个输入严格对应多个输出，即第二种“many to many”方式，这种网络架构就是NLP中广泛使用的序列标注任务。

应用小例:文本序列的下一个字符预测任务以及时间序列预测任务:

字符预测任务

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

#数据
batch_size, num_steps = 32, 35
train_iter, vocab = d2l.load_data_time_machine(batch_size, num_steps)

#超参数
num_hiddens = 256
rnn_layer = nn.RNN(len(vocab), num_hiddens)
state = torch.zeros((1, batch_size, num_hiddens))

X = torch.rand(size=(num_steps, batch_size, len(vocab)))
Y, state_new = rnn_layer(X, state)


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_size

        if 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, state

    def begin_state(self, device, batch_size=1):
        if not isinstance(self.rnn, nn.LSTM):

            return torch.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))


device = d2l.try_gpu()
net = RNNModel(rnn_layer, vocab_size=len(vocab))
net = net.to(device)
result = d2l.predict_ch8('time traveller', 10, net, vocab, device)
print(result)

时间序列预测任务

import torch
from torch import nn
import numpy as np
import matplotlib.pyplot as plt
from torch.autograd import Variable

TIME_STEP = 10  # rnn time step
INPUT_SIZE = 1  # rnn input size
LR = 0.02  # learning rate

#数据
steps = np.linspace(0, np.pi*2, 100, dtype=np.float32)  # float32 for converting torch FloatTensor,生成等间距数组。0到2pi生成100个数
x_np = np.sin(steps)  # 100个数的sin值
y_np = np.cos(steps)  # 100个数的cos值
plt.plot(steps, y_np, 'r_', label='target (cos)')
plt.plot(steps, x_np, 'b_', label='input (sin)')
plt.legend(loc='best')
plt.show()


class RNN(nn.Module):  # 搭建RNN框架
    def __init__(self):
        super(RNN, self).__init__()

        self.rnn = nn.RNN(   # 设置超参数
            input_size=INPUT_SIZE,  #编码大小为1
            hidden_size=32,   #RNN隐藏单元个数为32,hidden_state有32个神经元
            num_layers=1,   # 层数为1
            batch_first=True,  # batch的维度放在第一个
        )
        self.out = nn.Linear(32, 1) #输出层是一个32个输入1个输出的MLP

    #定义前向传播函数
    def forward(self, x, h_state):
        # x (batch_size, time_step, input_size)
        # h_state (n_layers, batch, hidden_size)
        # r_out (batch, time_step, output_size), output_size就是hidden_size
        r_out, h_state = self.rnn(x, h_state)  # 得到更新后的隐状态及输出,输入为之前的记忆和新来的x

        outs = []
        for time_step in range(r_out.size(1)):
            outs.append(self.out(r_out[:, time_step, :]))  # 每个时间点输出一次，到output过一下。将结果存到outs当中。输出列表append每一个时间步的输出就是rnn的总的输出
        return torch.stack(outs, dim=1), h_state  #将list格式的outs转换成tensor格式
    

rnn = RNN()
print(rnn)

#定义优化器,损失函数
optimizer = torch.optim.Adam(rnn.parameters(), lr=LR)
loss_func = nn.MSELoss()
#初始化隐状态
h_state = None

plt.figure(1, figsize=(12, 5))
plt.ion()

#开始训练
for step in range(100):
    start, end = step * np.pi, (step+1)*np.pi

    steps = np.linspace(start, end, TIME_STEP, dtype=np.float32, endpoint=False)  # 取10个点
    x_np = np.sin(steps)  # 获得10个点的sin值
    y_np = np.cos(steps)  # 获得10个点的cos值

    x = Variable(torch.from_numpy(x_np[np.newaxis, :, np.newaxis]))   # 加维度：形状(batch, time_step, input_size)
    y = Variable(torch.from_numpy(y_np[np.newaxis, :, np.newaxis]))

    prediction, h_state = rnn(x, h_state)

    h_state = Variable(h_state.data)   # !!!通过这一步重新将h_state.data包成Variable的形式


    loss = loss_func(prediction, y)
    optimizer.zero_grad()
    loss.backward()
    optimizer.step()

    #plotting
    plt.plot(steps, y_np.flatten(), 'r-')
    plt.plot(steps, prediction.data.numpy().flatten(), 'b-')
    plt.draw(); plt.pause(0.05)


plt.ioff()
plt.show()