Pytorch深度学习实践（b站刘二大人）P13讲 (RNN循环神经网络高级篇)

努力学习的朱朱

已于 2022-01-22 23:45:41 修改

阅读量3.5k

点赞数 22

文章标签： pytorch 深度学习 rnn

于 2022-01-22 13:49:36 首次发布

本文链接：https://blog.csdn.net/m0_60152377/article/details/122634881

版权

用RNN做一个分类器，现在有一个数据集，数据集里有人名和对应的国家，我们需要训练一个模型，输入一个新的名字，模型能预测出是基于哪种语言的（18种不同的语言，18分类）

在自然语言处理中，通常先把词或字编程一个one-hot向量，one-hot向量维度高，而且过于稀疏，所以一般来说呀先通过嵌入层（Embed）把one-hot向量转化成低维的稠密向量，然后经过RNN，隐层的输出不一定和最终要求的目标一致，所以要用一个线性层把输出映射成和我们的要求一致，

我们的需求是输出名字所属的语言分类，我们对01-05这些输出是没有要求的，即不需要对所有的隐层输出做线性变换，为了解决这个问题，我们可以把网络变得更简单，如下图

输入向量经过嵌入层之后，输入到RNN,输出最终的隐层状态，最终的隐层状态经过一个线性层，我们分成18个类别，就可以实现名字分类的任务了

输入的每一个名字都是一个序列，序列的长短是不一样的

在这里插入图片描述

输入是数据集里面的名字，经过模型之后我们得到相应的国家

主循环

classifier = RNNClassifier(N_CHARS, HIDDEN_SIZE, N_COUNTRY, N_LAYER)

N_CHARS：字符数量（输入的是英文字母，每一个字符都要转变成独热向量）
HIDDEN_SIZE：隐层数量（GRU输出的隐层的维度）
N_COUNTRY：一共有多少个分类
N_LAYER：用来设置所使用的GRU层数

if __name__ == '__main__':
    classifier = RNNClassifier(N_CHARS, HIDDEN_SIZE, N_COUNTRY, N_LAYER)
    #把模型迁移到GPU
    if USE_GPU:
        device = torch.device('cuda:0')
        classifier.to(device)

    criterion = torch.nn.CrossEntropyLoss()     #计算损失
    optimizer = torch.optim.Adam(classifier.parameters(), lr = 0.001)   #更新

    start = time.time()
    print("Train for %d epochs..." % N_EPOCHS)

    acc_list= []
    for epoch in range(1, N_EPOCHS + 1):
        print('%d / %d:' % (epoch, N_EPOCHS))
        trainModel()
        acc = testModel()
        acc_list.append(acc)

在每一个epoch做一次训练和测试，把测试的结果添加到 acc_list列表（可以用来绘图，可以看到训练的损失是如何变化的）

准备数据

拿到的是字符串，先转变成序列，转成列表，列表里面的每一个数就是名字里面的每一个字符在这里插入图片描述接下来做词典，可以用ASCII表，ASCII表是128个字符，我们把字典长度设置成128，求每一个字符对应的ASCII值，拼成我们想要的序列

上图中的最右表中每一个数并不是一个数字，而是一个独热向量例如 77。就是一个128维的向量，第77个数的值为1，其他的值都是0.
对于Embed(嵌入层)来说，只要告诉嵌入层第几个维度是1就行了，所以只需要把ASCII值放在这就行了。

序列长短不一怎么解决？

在这里插入图片描述

如上图左，每一行是一个序列，我们解决序列长短不一的方法是padding（因为张量必须保证所有的数据都贴满，不然就不是张量），如右图，就是在做一个batch的时候，我们看这一个batch里面哪一个字符串的长度最长，然后把其他字符串填充成和它一样的长度，就能保证可以构成一个张量，因为每个维度的数量不一样是没办法构成张量的

分类的处理

我们需要把各个分类（国家）转成一个分类索引，不能直接用字符串作为我们的分类标签在这里插入图片描述

准备数据集代码：

. gzip和csv这两个包可以帮我们读取gz文件(gzip.open()打开gzip文件，然后用csv.reader()去读里面的数据)
有很多种不同的方式可以访问数据集，比如有些数据集不是.gz,而是.pickle,就可以用pickle包，还有HDFS,HD5得用HDFS的包读取，根据拿到的数据类型不一样，用相应的包把数据读出来。
我们读到的rows是一个元组，形式是（name,language）

# 准备数据集
class NameDataset(Dataset):
    def __init__(self, is_train_set=True):
        filename = 'data/names_train.csv.gz' if is_train_set else'data/names_test.csv.gz'
        with gzip.open(filename, 'rt') as f:
            reader = csv.reader(f)
            rows = list(reader) #一个元组

        # 取出名字
        self.names = [row[0] for row in rows] #先把名字都取出来
        self.len = len(self.names) #记录样本数量
        self.countries = [row[1] for row in rows]#把标签language取出来
        self.country_list = list(sorted(set(self.countries)))#set是先把列表变成集合，即去除重复的元素，
        #这样每一个语言就只剩下一个实例，然后用sorted排序 list变成列表

        self.country_dict = self.getCountryDict() #根据列表，把列表转变成词典
        self.country_num = len(self.country_list)

    def __getitem__(self, index):
        return self.names[index], self.countries_dict[self.countries[index]]
    ##__getitem__根据输入的名字找到对应国家的索引
    #返回两项，一项是输入样本
    #拿到输入样本之后，先把国家取出来，然后根据国家去查找对应的索引
    def getCountriesDict(self):
        countries_dict = dict()  #先做一个空字典
        for index, country_name in enumerate(self.countries_list, 0):
            countries_dict[country_name] = index  #构建键值对
        return countries_dict

    def __len__(self): #返回数据集长度
        return self.len

    def id2country(self, index): #根据索引返回国家字符串 例：1  Chinese
        return self.countries_list[index]

    def getCountriesNum(self):   #返回国家总数量
        return self.countries_num

trainset = NameDataset(is_train_set=True) 
trainloader = DataLoader(trainset, batch_size=BATCH_SIZE, shuffle=True) 
testset = NameDataset(is_train_set=False) 
testloader = DataLoader(testset, batch_size=BATCH_SIZE, shuffle=False)
N_COUNTRY = trainset.getCountriesNum() #总的类别数量，决定模型最终的输出大小

N_LAYER = 2 #GRU用了两层 N_EPOCH = 100 #将来训练100轮

N_CHARS = 128 #128的字典长度 USE_GPU = False #不用GPU

模型设计

#模型设计
import torch
from torch.nn.utils.rnn import pack_padded_sequence


class RNNClassifier(torch.nn.Module):
    # input_size=128, hidden_size=100, output_size=18
    def __init__(self, input_size, hidden_size, output_size, n_layers=1, bidirectional=True):
        super(RNNClassifier, self).__init__()
        self.hidden_size = hidden_size
        self.n_layers = n_layers  # GRU 使用层数
        self.n_directions = 2 if bidirectional else 1  # 是否双向循环神经网络
        self.embedding = torch.nn.Embedding(input_size, hidden_size)  # 输入大小128，输出大小100。
        # 经过Embedding后input的大小是100，hidden_size的大小也是100，所以形参都是hidden_size。
        self.gru = torch.nn.GRU(hidden_size, hidden_size, n_layers, bidirectional=bidirectional)
        # 如果是双向，会输出两个hidden层，要进行拼接，所以线性成的input大小是 hidden_size * self.n_directions，输出是大小是18，是为18个国家的概率。
        self.fc = torch.nn.Linear(hidden_size * self.n_directions, output_size)

    def _init_hidden(self, batch_size):
        #初始的全0隐层h0
        hidden = torch.zeros(self.n_layers * self.n_directions, batch_size, self.hidden_size)
        return hidden

    def forward(self, input, seq_lengths):
        # 先对input进行转置，input shape : batch_size*max_seq_lengths -> max_seq_lengths*batch_size 每一列表示姓名
        input = input.t()
        batch_size = input.size(1)  # 总共有多少列，既是batch_size的大小
        hidden = self._init_hidden(batch_size)  # 初始化隐藏层
        embedding = self.embedding(input)  # embedding.shape : max_seq_lengths*batch_size*hidden_size 12*64*100
        # pack_padded_sequence方便批量计算
        gru_input = pack_padded_sequence(embedding, seq_lengths)
        # 进入网络进行计算
        output, hidden = self.gru(gru_input, hidden)

        # 如果是双向的，需要进行拼接
        if self.n_directions == 2:
            hidden_cat = torch.cat([hidden[-1], hidden[-2]], dim=1)

        else:
            hidden_cat = hidden[-1]

        # 线性层输出大小为18
        fc_output = self.fc(hidden_cat)
        return fc_output

双向循环神经网络

lstm gru rnn 都有双向的
下图是单向的RNN,其中 RNN Cell共享权重和偏置，所以w和b是一样的，Xn-1的输出只包含它之前的序列的信息，即只考虑过去的信息，实际上在自然语言处理（NLP）我们还需要考虑来自未来的信息在这里插入图片描述

在这里插入图片描述

正向算完之后，再反向算一下，然后把算出来的隐层输出做拼接，如下图 hN是h(0,b)和h(N,f)拼接起来的，h(N-1)是把h（1,b）和h(N-1,f)拼接起来，这样的循环神经网络叫双向循环神经网络在这里插入图片描述

最终，反向得到一个h(N,b) 在这里插入图片描述

每一次调用GRU会输出out和hidden两个项，其中hidden包含的项如下在这里插入图片描述

双向循环神经网络的forward过程

def forward(self, input, seq_lengths):
 # input shape : B x S - > S x B（S:sequential(序列)，B：batch）
  input = input.t()                    %矩阵转置input shape : B x S - > S x B
  batch_size = input.size(1)           %保存batch_size用来构建最初始的隐层
  hidden = self._init_hidden(batch_size) %创建隐层
  embedding = self.embedding(input)      %把input扔到嵌入层里面，做嵌入
  %嵌入之后，输入的维度就变成了（𝑠𝑒𝑞𝐿𝑒𝑛,𝑏𝑎𝑡𝑐ℎ𝑆𝑖𝑧𝑒,ℎ𝑖𝑑𝑑𝑒𝑛𝑆𝑖𝑧𝑒）
  # pack them up 
  gru_input = pack_padded_sequence(embedding, seq_lengths)
  output, hidden = self.gru(gru_input, hidden)  %第二个hidden是初始的隐层，
  %我们想要得到的是第一个hidden的值
  if self.n_directions == 2: 
      hidden_cat = torch.cat([hidden[-1], hidden[-2]], dim=1)
      %如果是双向的循环神经网络，会有两个hidden，需要把他们拼接起来
  else: 
      hidden_cat = hidden[-1]  %如果是单向的循环神经网络，就只有1个hidden
  fc_output = self.fc(hidden_cat)             %把最后的隐层输出经过全连接层变换成我们想要的维 
  度做分类
  return fc_output

 input = input.t()%矩阵转置input shape : B x S - > S x B
 %功能如下图

在这里插入图片描述

embedding = self.embedding(input)      %把input扔到嵌入层里面，做嵌入
%嵌入之后，输入的维度就变成了（𝑠𝑒𝑞𝐿𝑒𝑛,𝑏𝑎𝑡𝑐ℎ𝑆𝑖𝑧𝑒,ℎ𝑖𝑑𝑑𝑒𝑛𝑆𝑖𝑧𝑒）

在这里插入图片描述

为了提高运行效率，GRU支持一种提速，尤其是面对序列长短不一的时候，在pyTorch中， pack_padded_sequence的功能如下在这里插入图片描述

先根据长度排序在这里插入图片描述

排好序之后，再经过嵌入层在这里插入图片描述

使用pack_padded_sequence做成下面这样的数据，GRU的运算效率更高哦(即把没有计算意义的padding 0去掉) 在这里插入图片描述

所以pack_padded_sequenceh函数需要输入数据的长度 seq_lengths

gru_input = pack_padded_sequence(embedding, seq_lengths)

GRU根据上图的batch_sizes就决定每一时刻取多少行，GRU的工作效率就提高了在这里插入图片描述

由名字转换成Tensor的过程

在这里插入图片描述

过程如下：
1：字符串—>字符—>相应的ASCII值
在这里插入图片描述然后做padding填充

填充之后转置在这里插入图片描述转置之后排序

转换名字为tensor

def name2list(name):
    """返回ASCII码表示的姓名列表与列表长度"""
    arr = [ord(c) for c in name]
    return arr, len(arr)


def make_tensors(names, countries):
    # 元组列表，每个元组包含ASCII码表示的姓名列表与列表长度
    sequences_and_lengths = [name2list(name) for name in names]
    # 取出所有的ASCII码表示的姓名列表
    name_sequences = [sl[0] for sl in sequences_and_lengths]
    # 取出所有的列表长度
    seq_lengths = torch.LongTensor([sl[1] for sl in sequences_and_lengths])
    # 将countries转为long型
    countries = countries.long()

    # 接下来每个名字序列补零，使之长度一样。
    # 先初始化一个全为零的tensor，大小为 所有姓名的数量*最长姓名的长度
    seq_tensor = torch.zeros(len(name_sequences), seq_lengths.max()).long()

    # 将姓名序列覆盖到初始化的全零tensor上
    for idx, (seq, seq_len) in enumerate(zip(name_sequences, seq_lengths), 0):
        seq_tensor[idx, :seq_len] = torch.LongTensor(seq)
    # 根据序列长度seq_lengths对补零后tensor进行降序怕排列，方便后面加速计算。
    # 返回排序后的seq_lengths与索引变化列表
    seq_lengths, perm_idx = seq_lengths.sort(dim=0, descending=True)
    # 根据索引变化列表对ASCII码表示的姓名列表进行排序
    seq_tensor = seq_tensor[perm_idx]
    # 根据索引变化列表对countries进行排序，使姓名与国家还是一一对应关系
    # seq_tensor.shape : batch_size*max_seq_lengths,
    # seq_lengths.shape : batch_size
    # countries.shape : batch_size
    countries = countries[perm_idx]
    return seq_tensor, seq_lengths, countries

def name2list(name): 
  arr = [ord(c) for c in name] 
  return arr, len(arr)
  %name2list返回两个，一个是元组，代表列表本身，一个是列表的长度

name_sequences = [sl[0] for sl in sequences_and_lengths] 
 %单独拿出列表

在这里插入图片描述

训练过程

# 训练
def time_since(since):
    s = time.time() - since
    m = math.floor(s/60)
    s -= m*60
    return '%dm %ds' % (m, s)

def trainModel():
    total_loss = 0
    for i, (names, countries) in enumerate(trainloader, 1):
        # make_tensors函数返回经过降序排列后的 姓名列表，列表长度，国家
        inputs, seq_lengths, target = make_tensors(names, countries)
        output = model(inputs, seq_lengths)
        optimizer.zero_grad()
        loss = criterion(output, target)
        loss.backward()
        optimizer.step()
        total_loss += loss.item()
        if i % 10 == 0:
            print(i)
            print(f'[{time_since(start)}] Epoch {epoch} ', end='')
            print(f'[{i * len(inputs)}/{len(trainset)}] ', end='')
            print(f'loss={total_loss / (i * len(inputs))}')
    return total_loss

def testModel():
    correct = 0
    total = len(testset)
    print("evaluating trained model ...")
    with torch.no_grad():
        for idx, (names, countries) in enumerate(testloader, 1):
            inputs, seq_lengths, target = make_tensors(names, countries)
            output = model(inputs, seq_lengths)
            pred = output.max(dim=1, keepdim=True)[1]
            correct += pred.eq(target.view_as(pred)).sum().item()
        percent = '%.2f' % (100 * correct / total)
        print(f'Test set: Accuracy {correct}/{total} {percent}%')
    return correct / total

完整代码：

'''
根据名字识别他所在的国家
人名字符长短不一，最长的10个字符，所以处理成10维输入张量，都是英文字母刚好可以映射到ASCII上
Maclean ->  ['M', 'a', 'c', 'l', 'e', 'a', 'n'] ->  [ 77 97 99 108 101 97 110]  ->  [ 77 97 99 108 101 97 110 0 0 0]
共有18个国家，设置索引为0-17
训练集和测试集的表格文件都是第一列人名，第二列国家
'''
import torch
import  time
import csv
import gzip
from  torch.utils.data import DataLoader
import datetime
import matplotlib.pyplot as plt
import numpy as np

# Parameters
HIDDEN_SIZE = 100
BATCH_SIZE = 256
N_LAYER = 2
N_EPOCHS = 100
N_CHARS = 128
USE_GPU = True

class NameDataset():         #处理数据集
    def __init__(self, is_train_set=True):
        filename = 'data/names_train.csv.gz' if is_train_set else 'data/names_test.csv.gz'
        with gzip.open(filename, 'rt') as f:    #打开压缩文件并将变量名设为为f
            reader = csv.reader(f)              #读取表格文件
            rows = list(reader)
        self.names = [row[0] for row in rows]   #取出人名
        self.len = len(self.names)              #人名数量
        self.countries = [row[1] for row in rows]#取出国家名
        self.country_list = list(sorted(set(self.countries)))#国家名集合，18个国家名的集合
        #countrys是所有国家名，set(countrys)把所有国家明元素设为集合（去除重复项），sorted（）函数是将集合排序
        #测试了一下，实际list(sorted(set(self.countrys)))==sorted(set(self.countrys))
        self.country_dict = self.getCountryDict()#转变成词典
        self.country_num = len(self.country_list)#得到国家集合的长度18

    def __getitem__(self, index):
        return self.names[index], self.country_dict[self.countries[index]]

    def __len__(self):
        return self.len

    def getCountryDict(self):
        country_dict = dict()                                       #创建空字典
        for idx, country_name in enumerate(self.country_list,0):    #取出序号和对应国家名
            country_dict[country_name] = idx                        #把对应的国家名和序号存入字典
        return country_dict

    def idx2country(self,index):            #返回索引对应国家名
        return self.country_list(index)

    def getCountrysNum(self):               #返回国家数量
        return self.country_num

trainset = NameDataset(is_train_set=True)
trainloader = DataLoader(trainset, batch_size=BATCH_SIZE,shuffle=True)
testset = NameDataset(is_train_set=False)
testloader = DataLoader(testset, batch_size=BATCH_SIZE,shuffle=False)

N_COUNTRY = trainset.getCountrysNum()       #模型输出大小

def create_tensor(tensor):#判断是否使用GPU 使用的话把tensor搬到GPU上去
    if USE_GPU:
        device = torch.device("cuda:0")
        tensor = tensor.to(device)
    return tensor

class RNNClassifier(torch.nn.Module):
    def __init__(self, input_size, hidden_size, output_size, n_layers=1, bidirectional=True):
        super(RNNClassifier, self).__init__()
        self.hidden_size = hidden_size                  #包括下面的n_layers在GRU模型里使用
        self.n_layers = n_layers
        self.n_directions = 2 if bidirectional else 1

        self.embedding = torch.nn.Embedding(input_size, hidden_size)#input.shape=(seqlen,batch) output.shape=(seqlen,batch,hiddensize)
        self.gru = torch.nn.GRU(hidden_size, hidden_size, n_layers, bidirectional=bidirectional)
                                #输入维度       输出维度      层数        说明单向还是双向
        self.fc = torch.nn.Linear(hidden_size * self.n_directions, output_size)#双向GRU会输出两个hidden，维度需要✖2，要接一个线性层

    def forward(self, input, seq_lengths):
        input = input.t()               #input shaoe :  Batch x Seq -> S x B 用于embedding
        batch_size = input.size(1)
        hidden =self._init_hidden(batch_size)
        embedding = self.embedding(input)

        # pack_padded_sequence函数当出入seq_lengths是GPU张量时报错，在这里改成cpu张量就可以，不用GPU直接注释掉下面这一行代码
        seq_lengths = seq_lengths.cpu()#改成cpu张量
        # pack them up
        gru_input = torch.nn.utils.rnn.pack_padded_sequence(embedding, seq_lengths)#让0值不参与运算加快运算速度的方式
        #需要提前把输入按有效值长度降序排列 再对输入做嵌入，然后按每个输入len（seq——lengths）取值做为GRU输入

        output, hidden = self.gru(gru_input, hidden)#双向传播的话hidden有两个
        if self.n_directions ==2:
            hidden_cat = torch.cat([hidden[-1], hidden[-2]], dim=1)
        else:
            hidden_cat = hidden[-1]
        fc_output = self.fc(hidden_cat)
        return fc_output

    def _init_hidden(self,batch_size):
        hidden = torch.zeros(self.n_layers * self.n_directions, batch_size, self.hidden_size)
        return  create_tensor(hidden)

#classifier = RNNClassifier(N_CHARS, HIDDEN_SIZE, N_COUNTRY, N_LAYER)

#对名字的处理需要先把每个名字按字符都变成ASCII码
def name2list(name):#把每个名字按字符都变成ASCII码
    arr = [ord(c) for c in name]
    return arr, len(arr)

def make_tensors(names, countries):     #处理名字ASCII码 重新排序的长度和国家列表
    sequences_and_lengths= [name2list(name) for name in names]                  #把每个名字按字符都变成ASCII码
    name_sequences = [sl[0] for sl in sequences_and_lengths]                    #取出名字列表对应的ACSII码
    seq_lengths = torch.LongTensor([sl[1] for sl in sequences_and_lengths])     #取出每个名字对应的长度列表
    countries = countries.long()

    # make tensor of name, BatchSize x SeqLen
    seq_tensor = torch.zeros(len(name_sequences), seq_lengths.max()).long()     #先做一个 名字数量x最长名字长度的全0tensor
    for idx, (seq, seq_len) in enumerate(zip(name_sequences, seq_lengths), 0):  #取出序列，ACSII码和长度列表
        seq_tensor[idx, :seq_len] = torch.LongTensor(seq)                       #用名字列表的ACSII码填充上面的全0tensor

    # sort by length to use pack_padded_sequence
    seq_lengths, perm_idx = seq_lengths.sort(dim=0, descending=True)#将seq_lengths按序列长度重新降序排序，返回排序结果和排序序列。
    seq_tensor = seq_tensor[perm_idx]                               #按新序列把ASCII表重新排序
    countries = countries[perm_idx]                                 #按新序列把国家列表重新排序

                #返回排序后的 ASCII列表         名字长度降序列表        国家名列表
    return create_tensor(seq_tensor),create_tensor(seq_lengths),create_tensor(countries)

def trainModel():
    total_loss = 0

    for i, (names, countries) in enumerate(trainloader, 1):
        optimizer.zero_grad()
        inputs, seq_lengths, target = make_tensors(names, countries)#取出排序后的 ASCII列表 名字长度列表 国家名列表
        output = classifier(inputs, seq_lengths)    #把输入和序列放入分类器
        loss = criterion(output, target)            #计算损失

        loss.backward()
        optimizer.step()
        total_loss += loss.item()

        #打印输出结果
        #if i % 100 == 0:
        #    print(f'Epoch {epoch} ')
        if i == len(trainset) // BATCH_SIZE :
            #print(f'[13374/{len(trainset)}] ', end='')
            print(f'loss={total_loss / (i * len(inputs))}')
        '''elif i % 10 == 9 :
            print(f'[{i * len(inputs)}/{len(trainset)}] ', end='')
            print(f'loss={total_loss / (i * len(inputs))}')'''
    return total_loss

def testModel():
    correct = 0
    total = len(testset)

    with torch.no_grad():
        for i, (names, countries) in enumerate(testloader, 1):
            inputs, seq_lengths, target = make_tensors(names, countries)    #返回处理后的名字ASCII码 重新排序的长度和国家列表
            output = classifier(inputs, seq_lengths)                        #输出
            pred = output.max(dim=1, keepdim=True)[1]                       #预测
            correct += pred.eq(target.view_as(pred)).sum().item()           #计算预测对了多少

        percent = '%.2f' % (100 * correct / total)
        print(f'Test set: Accuracy {correct}/{total} {percent}%')
    return correct / total

if __name__ == '__main__':
    print("Train for %d epochs..." % N_EPOCHS)
    start = time.time()
    classifier = RNNClassifier(N_CHARS, HIDDEN_SIZE, N_COUNTRY, N_LAYER)
    if USE_GPU:
        device = torch.device('cuda:0')
        classifier.to(device)

    criterion = torch.nn.CrossEntropyLoss()     #计算损失
    optimizer = torch.optim.Adam(classifier.parameters(), lr = 0.001)   #更新

    acc_list= []
    for epoch in range(1, N_EPOCHS+1):
        #训练
        print('%d / %d:' % (epoch, N_EPOCHS))
        trainModel()
        acc = testModel()
        acc_list.append(acc)
    end = time.time()
    print(datetime.timedelta(seconds=(end - start) // 1))


    epoch = np.arange(1, len(acc_list) + 1, 1)
    acc_list = np.array(acc_list)
    plt.plot(epoch, acc_list)
    plt.xlabel('Epoch')
    plt.ylabel('Accuracy')
    plt.grid()
    plt.show()

运行：

在这里插入图片描述

参考链接

努力学习的朱朱

关注

22
点赞
踩
70

收藏

觉得还不错? 一键收藏
5
评论
Pytorch深度学习实践（b站刘二大人）P13讲 (RNN循环神经网络高级篇)

用RNN做一个分类器，现在有一个数据集，数据集里有人名和对应的国家，我们需要训练一个模型，输入一个新的名字，模型能预测出是基于哪种语言的（18种不同的语言，18分类）在自然语言处理中，通常先把词或字编程一个one-hot向量，one-hot向量维度高，而且过于稀疏，所以一般来说呀先通过嵌入层（Embed）把one-hot向量转化成低维的稠密向量，然后经过RNN，隐层的输出不一定和最终要求的目标一致，所以要用一个线性层把输出映射成和我们的要求一致，我们的需求是输出名字所属的语言分类，我们对01-0..
复制链接

扫一扫