🔎大家好,我是Sonhhxg_柒,希望你看完之后,能对你有所帮助,不足请指正!共同学习交流🔎
📝个人主页-Sonhhxg_柒的博客_CSDN博客 📃
🎁欢迎各位→点赞👍 + 收藏⭐️ + 留言📝
📣系列专栏 - 机器学习【ML】 自然语言处理【NLP】 深度学习【DL】
🖍foreword
✔说明⇢本人讲解主要包括Python、机器学习(ML)、深度学习(DL)、自然语言处理(NLP)等内容。
如果你对这个系列感兴趣的话,可以关注订阅哟👋
循环神经网(Recurrent Neural Network,RNN)
RNN,循环神经网络,也有人将它翻译为递归神经网络。从这个名字就可以想到,它的结构中存在着“环”。
确实,RNN 和 NN/DNN 的数据单一方向传递不同。RNN 的神经元接受的输入除了“前辈”的输出,还有自身的状态信息,其状态信息在网络中循环传递。
RNN 的结构用图形勾画出来,是下图这样的:
图 1
注意:图中的 AA 并不是一个神经元,而是一个神经网络块,可以简单理解为神经网络的一个隐层。
RNN 的这种结构,使得它很适合应用于序列数据的处理,比如文本、语音、视频等。这类数据的样本间存在顺序关系(往往是时序关系),每个样本和它之前的样本存在关联。
RNN 把所处理的数据序列视作时间序列,在每一个时刻 tt,每个 RNN 的神经元接受两个输入:当前时刻的输入样本 xtxt,和上一时刻自身的输出 ht-1 。
t 时刻的输出:
图1经过进一步简化,将隐层的自连接重叠,就成了下图:
图2
上图展示的是最简单的 RNN 结构,此外 RNN 还存在着很多变种,比如双向 RNN(Bidirectional RNN),深度双向 RNN(Deep Bidirectional RNN)等。
RNN 的作用最早体现在手写识别上,后来在语音和文本处理中也做出了巨大的贡献,近年来也不乏将其应用于图像处理的尝试。
长短时记忆(Long Short Term Memory,LSTM)
LSTM 可以被简单理解为是一种神经元更加复杂的 RNN,处理时间序列中当间隔和延迟较长时,LSTM 通常比 RNN 效果好。
相较于构造简单的 RNN 神经元,LSTM 的神经元要复杂得多,每个神经元接受的输入除了当前时刻样本输入,上一个时刻的输出,还有一个元胞状态(Cell State),LSTM 神经元结构请参见下图:
LSTM 神经元中有三个门。
遗忘门(Forget Gate):接受xt 和 0ht-1 为输入,输出一个0到11之间的值,用于决定在多大程度上保留上一个时刻的元胞状态ct-1。1表示全保留,0表示全放弃。
输入门(Input Gate): 用于决定将哪些信息存储在这个时刻的元胞状态 ct ct 中。
输出门(Output Gate):用于决定输出哪些信息。
递归神经网络Pytorch的实现
-
import torch
-
import torch.nn
as nn
-
import torchvision
-
import torchvision.transforms
as transforms
-
-
-
# 设备配置
-
device
= torch.device(
'cuda'
if torch.cuda.
is_available()
else
'cpu')
-
-
# 超参数
-
sequence_
length
=
28
-
input_
size
=
28
-
hidden_
size
=
128
-
num_layers
=
2
-
num_classes
=
10
-
batch_
size
=
100
-
num_epochs
=
2
-
learning_rate
=
0.01
-
-
# MNIST 数据集
-
train_dataset
= torchvision.datasets.MNIST(root
=
'../../data/',
-
train
=
True,
-
transform
=transforms.ToTensor(),
-
download
=
True)
-
-
test_dataset
= torchvision.datasets.MNIST(root
=
'../../data/',
-
train
=
False,
-
transform
=transforms.ToTensor())
-
-
# 数据加载器
-
train_loader
= torch.utils.
data.DataLoader(dataset
=train_dataset,
-
batch_
size
=batch_
size,
-
shuffle
=
True)
-
-
test_loader
= torch.utils.
data.DataLoader(dataset
=
test_dataset,
-
batch_
size
=batch_
size,
-
shuffle
=
False)
-
-
# 循环神经网络(多对一)
-
class RNN(nn.Module):
-
def __init__(
self,
input_
size, hidden_
size, num_layers, num_classes):
-
super(RNN,
self).__init__()
-
self.hidden_
size
= hidden_
size
-
self.num_layers
= num_layers
-
self.lstm
= nn.LSTM(
input_
size, hidden_
size, num_layers, batch_
first
=
True)
-
self.fc
= nn.Linear(hidden_
size, num_classes)
-
-
def forward(
self, x):
-
# 设置初始隐藏和单元格状态
-
h
0
= torch.
zeros(
self.num_layers, x.
size(
0),
self.hidden_
size).
to(device)
-
c
0
= torch.
zeros(
self.num_layers, x.
size(
0),
self.hidden_
size).
to(device)
-
-
# 前向传播 LSTM
-
out, _
=
self.lstm(x, (h
0, c
0)) # out: tensor
of shape (batch_
size, seq_
length, hidden_
size)
-
-
# 解码上一个时间步的隐藏状态
-
out
=
self.fc(out[:, -
1, :])
-
return out
-
-
model
= RNN(
input_
size, hidden_
size, num_layers, num_classes).
to(device)
-
-
-
# 损失和优化器
-
criterion
= nn.CrossEntropyLoss()
-
optimizer
= torch.optim.Adam(model.parameters(), lr
=learning_rate)
-
-
# 训练模型
-
total_step
= len(train_loader)
-
for epoch
in range(num_epochs):
-
for i, (images, labels)
in enumerate(train_loader):
-
images
= images.reshape(-
1,
sequence_
length,
input_
size).
to(device)
-
labels
= labels.
to(device)
-
-
# 前向传播
-
outputs
= model(images)
-
loss
= criterion(outputs, labels)
-
-
# 向后和优化
-
optimizer.
zero_grad()
-
loss.backward()
-
optimizer.step()
-
-
if (i
+
1) %
100
=
=
0:
-
print (
'Epoch [{}/{}], Step [{}/{}], Loss: {:.4f}'
-
.
format(epoch
+
1, num_epochs, i
+
1, total_step, loss.item()))
-
-
# 测试模型
-
model.eval()
-
with torch.
no_grad():
-
correct
=
0
-
total
=
0
-
for images, labels
in
test_loader:
-
images
= images.reshape(-
1,
sequence_
length,
input_
size).
to(device)
-
labels
= labels.
to(device)
-
outputs
= model(images)
-
_, predicted
= torch.max(outputs.
data,
1)
-
total
+
= labels.
size(
0)
-
correct
+
= (predicted
=
= labels).
sum().item()
-
-
print(
'Test Accuracy of the model on the 10000 test images: {} %'.
format(
100
* correct
/ total))
-
-
# 模型保存
-
torch.save(model.state_dict(),
'model.ckpt')