55 循环神经网络 RNN 的实现_简洁实现_by《李沐：动手学深度学习v2》pytorch版

醒了就刷牙

于 2024-09-26 19:28:50 发布

阅读量762

点赞数 8

分类专栏：李沐动手学深度学习文章标签：深度学习 rnn pytorch

本文链接：https://blog.csdn.net/buyaotutou/article/details/142548572

版权

李沐动手学深度学习专栏收录该内容

22 篇文章 1 订阅

订阅专栏

系列文章目录

例如：第一章 Python 机器学习入门之pandas的使用

文章目录

系列文章目录
循环神经网络的简洁实现

循环神经网络的简洁实现

对了解循环神经网络的实现方式具有指导意义，但并不方便。
本节将展示如何使用深度学习框架的高级API提供的函数更有效地实现相同的语言模型。
我们仍然从读取时光机器数据集开始。

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

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

定义模型

高级API提供了循环神经网络的实现。
我们构造一个具有256个隐藏单元的单隐藏层的循环神经网络层rnn_layer。
事实上，我们还没有讨论多层循环神经网络的意义（这将在之后博客中中介绍）。
现在仅需要将多层理解为一层循环神经网络的输出被用作下一层循环神经网络的输入就足够了。

num_hiddens = 256
rnn_layer = nn.RNN(len(vocab), num_hiddens)

我们(使用张量来初始化隐状态)，它的形状是（隐藏层数，批量大小，隐藏单元数）。

state = torch.zeros((1, batch_size, num_hiddens))#这里的1先记住，以后会知道为什么框架是这样的
state.shape #torch.Size([1, 32, 256])

通过一个隐状态和一个输入，我们就可以用更新后的隐状态计算输出。
需要强调的是，rnn_layer的“输出”（Y）不涉及输出层的计算：它是指每个时间步的隐状态，这些隐状态可以用作后续输出层的输入。

X = torch.rand(size=(num_steps, batch_size, len(vocab)))
Y, state_new = rnn_layer(X, state) # 这个Y是中间的隐藏层的输出
Y.shape, state_new.shape # (torch.Size([35, 32, 256])(时间步数，批量大小，隐藏大小)，, torch.Size([1, 32, 256]))
#Y是每个时间步的隐状态，这些隐状态可以用作后续输出层的输入

与之前RNN的完整实现类似，[我们为一个完整的循环神经网络模型定义了一个RNNModel类]。
注意，rnn_layer只包含隐藏的循环层，我们还需要创建一个单独的输出层。

#@save
class RNNModel(nn.Module):
    """循环神经网络模型"""
    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
        # 如果RNN是双向的（之后将介绍），num_directions应该是2，否则应该是1
        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]))) 
        # reshape首先将Y的形状改为(时间步数*批量大小, 隐藏单元数)
        # 它的输出形状是(时间步数*批量大小, 词表大小)。
        return output, state

    def begin_state(self, device, batch_size=1):
        if not isinstance(self.rnn, nn.LSTM):
            # nn.GRU以张量作为隐状态
            return  torch.zeros((self.num_directions * self.rnn.num_layers,
                                 batch_size, self.num_hiddens),
                                device=device)
        else:
            # nn.LSTM以元组作为隐状态
            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))

训练与预测

在训练模型之前，让我们[基于一个具有随机权重的模型进行预测]。

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)

'time travellerddddzzdddz'

很明显，这种模型根本不能输出好的结果。
接下来，我们使用上一篇博客中定义的超参数调用train_ch8，并且[使用高级API训练模型]。

num_epochs, lr = 500, 1
d2l.train_ch8(net, train_iter, vocab, lr, num_epochs, device)

perplexity 1.4, 597338.7 tokens/sec on cuda:0
time traveller afthen ir fimenteans iobrast you a frithears llit
traveller abyonnthe oartha dirtas in what cones andis and t

<Figure size 350x250 with 1 Axes>