循环神经网络 - 循环神经网络的简洁实现

循环神经网络的简洁实现

本节将展示如何使用深度学习框架的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)

1 - 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。现在，你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，它的形状时（隐藏层数，批量大小，隐藏单元数）

state = torch.zeros((1,batch_size,num_hiddens))
state.shape

torch.Size([1, 32, 256])

通过一个隐状态和一个输入，我们就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)
Y.shape,state_new.shape

(torch.Size([35, 32, 256]), torch.Size([1, 32, 256]))

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

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_direction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)
        # 全连接层首先将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）
        output = self.linear(Y.reshape((-1,Y.shape[-1])))
        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_dirctions * self.rnn.num_layers,
                   batch_size,self.num_hiddens),device=device))

2 - 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 travellerbbcmmmmmmm'

很明显，这种模型根本不能输出好的结果。接下来，我们使用以前定义的超参数调用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 1.3, 561840.7 tokens/sec on cuda:0
time traveller but now you begin to seethe objectsot dst aby it 
travelleryou can show blycere thinis the psonled arealle th

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-jnEh3K6X-1662805894578)(https://yingziimage.oss-cn-beijing.aliyuncs.com/img/202209101810172.svg)]

与上一节相比，由于深度学习框架的高级API对代码进行了更多的优化，该模型在较短的时间内达到了较低的困惑度

3 - 小结

• 深度学习框的高级API提供了循环神经网络层的实现
• 高级API的循环神经网络返回一个输出和一个更新后的隐状态，我们还需要计算整个模型的输出层
• 相比从开始实现的循环神经网络，使用高级API实现可以加速训练