PyTorch -- LSTM 快速实践

上篇介绍了 RNN 快速实践；使用 LSTM 的话，可以解决梯度离散及短期记忆问题；代码部署方面，增加了 c 值 (即 RNN 中的 h 变成了 LSTM 中的 (h,c)), 可对照 RNN 快速实践 来快速掌握。

---

• LSTM Layer torch.nn.LSTM(input_size,hidden_size,num_layers,batch_first)
  • input_size: 输入的编码维度
  • hidden_size: 隐含层的维数
  • num_layers: 隐含层的层数
  • batch_first: ·True 指定输入的参数顺序为：
    • x：[batch, seq_len, input_size] # 或者用符号 c0
    • h0：[batch, num_layers, hidden_size]
• LSTM 的输入：
  • x：[seq_len, batch, input_size] # 或者用符号 c0
    • seq_len: 输入的序列长度
    • batch: batch size 批大小
  • (h0, c0)：[num_layers, batch, hidden_size]
• LSTM 的输出：
  • y: [seq_len, batch, hidden_size]
  • (ht, ct)：[num_layers, batch, hidden_size]

---

..........

三个门 ($\sigma$处:遗忘f、输入i、输出o) 都是基于 ${\mathbf{x}}_t$ 和 ${\mathbf{h}}_{t-1}$ 产生，但是分别对应要学习的权重参数 $W$ 不同，或可参照下简化图直观理解 LSTM 模块内部的处理流程

---

• 实战之预测 正弦曲线：以下会以此为例，演示 RNN 预测任务的部署

  

  • 下述示例代码已注明区别行 ########################### （共3处）

  • 步骤一：确定 RNN Layer 相关参数值并基于此创建 Net (RNN->LSTM)

    import numpy as np
    from matplotlib import pyplot as plt
    
    import torch
    import torch.nn as nn
    import torch.optim as optim
    
    
    seq_len     = 50
    batch       = 1
    num_time_steps = seq_len
    
    input_size  = 1
    output_size = input_size
    hidden_size = 10  	
    num_layers = 1  	
    batch_first = True 
    
    class Net(nn.Module):  ## model 定义
    	def __init__(self):
    		super(Net, self).__init__()
    		self.rnn = nn.LSTM(  ##1.###################################### RNN->LSTM
    		input_size=input_size,
    		hidden_size=hidden_size,
    		num_layers=num_layers,
    		batch_first=batch_first)
    		# for p in self.rnn.parameters():
    		# 	nn.init.normal_(p, mean=0.0, std=0.001)
    		self.linear = nn.Linear(hidden_size, output_size)
    
    	def forward(self, x, hidden_prev):
    		out, hidden_prev = self.rnn(x, hidden_prev)
    		# out: [batch, seq_len, hidden_size]
    		out = out.view(-1, hidden_size)  # [batch*seq_len, hidden_size]
    		out = self.linear(out) 			 # [batch*seq_len, output_size]
    		out = out.unsqueeze(dim=0)    # [1, batch*seq_len, output_size]
    		return out, hidden_prev
    

  • 步骤二：确定 训练流程

    lr=0.01
    
    def tarin_RNN():
        model = Net()
        print('model:\n',model)
        criterion = nn.MSELoss()
        optimizer = optim.Adam(model.parameters(), lr)
        #hidden_prev = torch.zeros(num_layers, batch, hidden_size)  #初始化h
    	hidden_prev = (torch.zeros(num_layers, batch, hidden_size), torch.zeros(num_layers, batch, hidden_size))  
    	##2.###################################### --> 原先的 h 变为现在的 h c
    
        l = []
        for iter in range(100):  # 训练100次
            start = np.random.randint(10, size=1)[0]  ## 序列起点
            time_steps = np.linspace(start, start+10, num_time_steps)  ## 序列
            data = np.sin(time_steps).reshape(num_time_steps, 1)  ## 序列数据
    
            x = torch.tensor(data[:-1]).float().view(batch, seq_len-1, input_size)
            y = torch.tensor(data[1: ]).float().view(batch, seq_len-1, input_size)  # 目标为预测一个新的点
    
            output, hidden_prev = model(x, hidden_prev)
            # hidden_prev = hidden_prev.detach()  ## 最后一层隐藏层的状态要 detach
            hidden_prev = (hidden_prev[0].detach(), hidden_prev[1].detach()) 
    		######################################## --> 原先的 h 变为现在的 h c
    		
            loss = criterion(output, y)
            model.zero_grad()
            loss.backward()
            optimizer.step()
    
            if iter % 100 == 0:
                print("Iteration: {} loss {}".format(iter, loss.item()))
                l.append(loss.item())
        ##3.###########################绘制损失函数#################################
        plt.plot(l,'r')
        plt.xlabel('训练次数')
        plt.ylabel('loss')
        plt.title('RNN LOSS')
        plt.savefig('RNN_LOSS.png')
        return hidden_prev,model
    
    hidden_prev,model = tarin_RNN()
    

  • 步骤三：测试训练结果

    start = np.random.randint(3, size=1)[0]  ## 序列起点
    time_steps = np.linspace(start, start+10, num_time_steps)  ## 序列
    data = np.sin(time_steps).reshape(num_time_steps, 1)  ## 序列数据
    x = torch.tensor(data[:-1]).float().view(batch, seq_len-1, input_size)
    y = torch.tensor(data[1: ]).float().view(batch, seq_len-1, input_size)  # 目标为预测一个新的点    
    
    predictions = []  ## 预测结果
    input = x[:,0,:]
    for _ in range(x.shape[1]):
        input = input.view(1, 1, 1)
        pred, hidden_prev = model(input, hidden_prev)
        input = pred  ## 循环获得每个input点输入网络
        predictions.append(pred.detach().numpy()[0])
    x= x.data.numpy()
    y = y.data.numpy( )
    plt.scatter(time_steps[:-1], x.squeeze(), s=90)
    plt.plot(time_steps[:-1], x.squeeze())
    plt.scatter(time_steps[1:],predictions)  ## 黄色为预测
    plt.show()
    

    

---

• B站视频参考资料