RNN的基本结构:
如何创建NN Cell:
代码实现:
import torch
#先设定参数
batch_size=1
seq_len=3#x1,x2,x3
input_size=4#x1,x2,x3,x4是一个4个元素的向量
hidden_size=2#hidden里面是2个元素的向量
cell=torch.nn.RNNCell(input_size=input_size,hidden_size=hidden_size)#初始化
datasets=torch.randn(seq_len,batch_size,input_size)
hidden=torch.zeros(batch_size,hidden_size)#隐层h0做成全0
for idx,input in enumerate(datasets):#训练的循环
print('='*20,idx,'='*20)
print('Input_size:',input.shape)
hidden=cell(input,hidden)#这次的隐层=这次的输入和上次的隐层
print('output size:',hidden.shape)
print(hidden)
怎么使用RNN:
out,hidden=cell(inputs,hidden)
inputs是x1…xn
后面的hidden是h0
out是h1…hn
前面的hidden是hn
使用RNN的话就不需要循环了,RNN可以自动帮助循环
例子:
输入:hello如何输出ohlol
RNNseq2seq:
import torch
input_size=4
hidden_size=4
batch_size=1
idx2char=['e','h','l','o']
x_data=[1,0,2,2,3]#hello
y_data=[3,1,2,3,2]#ohlol
one_hot_lookup=[[1,0,0,0],#ehlo
[0,1,0,0],
[0,0,1,0],
[0,0,0,1]]
x_one_hot=[one_hot_lookup[x] for x in x_data]
'''
[[0, 1, 0, 0],
[1, 0, 0, 0],
[0, 0, 1, 0],
[0, 0, 1, 0],
[0, 0, 0, 1]]
'''
inputs=torch.Tensor(x_one_hot).view(-1,batch_size,input_size)
'''
tensor([[[0., 1., 0., 0.]],
[[1., 0., 0., 0.]],
[[0., 0., 1., 0.]],
[[0., 0., 1., 0.]],
[[0., 0., 0., 1.]]])
'''
labels=torch.LongTensor(y_data).view(-1,1)
'''
tensor([[3],
[1],
[2],
[3],
[2]])
'''
class Model(torch.nn.Module):
def __init__(self,input_size,hidden_size,batch_size):
super(Model, self).__init__()
self.batch_size=batch_size
self.input_size=input_size
self.hidden_size=hidden_size
self.rnncell=torch.nn.RNNCell(input_size=self.input_size,hidden_size=self.hidden_size)
def forward(self,input,hidden):
hidden=self.rnncell(input,hidden)
return hidden
def init_hidden(self):
return torch.zeros(self.batch_size,self.hidden_size)
net=Model(input_size,hidden_size,batch_size)
cirterion=torch.nn.CrossEntropyLoss()
optimizer=torch.optim.Adam(net.parameters(),lr=0.1)#优化器进行优化
#训练,共训练15轮
for epoch in range(15):
loss=0
optimizer.zero_grad()#优化器的梯度归0
hidden=net.init_hidden()#算h0
print('Predicted string:',end='')
# inputs=seq_len*batch_size*inputsize,input=batch_size*input_size
#labels=seq_length*1
for input,label in zip(inputs,labels):
hidden=net(input,hidden)
loss+=cirterion(hidden,label)#损失累积到一起
_,idx=hidden.max(dim=1)#找hidden里面输出的最大值,因为hidden是最大值,最大的下标找到
print(idx2char[idx.item()],end='')#输出预测结果
loss.backward()#反向传播
optimizer.step()#优化更新
print(',Epoch [%d/15] loss=%.4f' %(epoch+1,loss.item()))
one-hot vs Embedding:
数据的降维:
加入了embedding和linear layer层:
embedding的参数(num_embeddings,embedding_dim)
num_embeddings就是Input_size的独热向量是几维的
embedding_dim每一个embedding向量的size
LSTM:
GRU: