RNN：循环神经网络

Handsome_zhou · 发表于 2022-10-9 17:23:03

马上注册，结交更多好友，享用更多功能^_^

您需要登录才可以下载或查看，没有账号？立即注册

x

本帖最后由 Handsome_zhou 于 2022-10-11 10:09 编辑

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)

复制代码

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()

复制代码

账号		自动登录	找回密码
密码			立即注册

[学习笔记] RNN：循环神经网络

马上注册，结交更多好友，享用更多功能^_^