rnn 代码讲解

Rondox

已于 2023-03-27 00:11:05 修改

阅读量840

点赞数 1

文章标签： rnn 人工智能深度学习

于 2023-03-26 20:17:07 首次发布

本文链接：https://blog.csdn.net/qq_36632604/article/details/129782969

版权

8.5. 循环神经网络的从零开始实现 — 动手学深度学习 2.0.0 documentation

自用笔记

调试用代码

#[vocab.idx_to_token[i] for i in train_iter.corpus]

#[i for i in train_iter.corpus]

#''.join([vocab.idx_to_token[i] for i in train_iter.corpus])

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

F.one_hot(torch.tensor([0, 2]), len(vocab))
#长度28中分别是0和2为真(值为1)的list

X = torch.arange(10).reshape((2, 5))
X1=F.one_hot(X.T, 28).shape   #28是26个字母加空格加unknown

#x大小为(2,5) ,做成onehot之后维度增加变成(5,2,28)
#意思是每个值对应一个onehot类别,此处为2条句子,每条句子有5个字符 而每个字符属于onehot里面的一类,
#比如即第一个x[0][0]中的值就是0对应着[1,0,0,0,......,0]的样子

暂时用不到batch_size, num_steps的内容

num_steps表示从文本中取出多长的文本此处35字符, 32条里每条长度为35字符的句子

但是以下是实例只用到vocab


def get_params(vocab_size, num_hiddens, device):
    #给与vocab字典类别大小和需要做的隐藏层的大小 以获得并初始化权重w和偏差b的函数
    
    num_inputs = num_outputs = vocab_size #比如输入是一个类别数onehot之后变成28个类别 输出也是一个类别数onehot之后变成28个类别   都是vocab里28个类别的数

    def normal(shape):#给予形状初始化值
        return torch.randn(size=shape, device=device) * 0.01

    # 隐藏层参数
    #h为当前为下一位字符的影响因子
    W_xh = normal((num_inputs, num_hiddens))
    W_hh = normal((num_hiddens, num_hiddens))
    b_h = torch.zeros(num_hiddens, device=device)
    # 输出层参数
    W_hq = normal((num_hiddens, num_outputs))
    b_q = torch.zeros(num_outputs, device=device)
    # 附加梯度
    params = [W_xh, W_hh, b_h, W_hq, b_q]
    for param in params:#需要梯度学习以变得更能预测出理想的值
        param.requires_grad_(True)
    return params

#初始化初始状态 state就是h的值 h第一维是x的第一维也就是下标的0维,第二维为hidden维
#从第一个字符开始的时候 只从第一个字符x1预测第二个值y1(已知文本的话是x2),h是不存在所以需要初始化值为0,因为有更早的字符做影响因子,而从第二个之后开始 h就有了第一个字符的影响所以值在之前加上了W_xh*H了

def init_rnn_state(batch_size, num_hiddens, device):
    return (torch.zeros((batch_size, num_hiddens), device=device), )#传了两个返回值回去
    #是为了后面的lstm写的方便留的 所以下面H, = state  第二个不接收参数

def rnn(inputs, state, params):
    # inputs的形状：(时间步数量，批量大小，词表大小)
    W_xh, W_hh, b_h, W_hq, b_q = params
    H, = state
    outputs = []
    # X的形状：(批量大小，词表大小)
    for X in inputs:#公式要看网页或者视频 tanh此处做激活函数作用
        H = torch.tanh(torch.mm(X, W_xh) + torch.mm(H, W_hh) + b_h)
        Y = torch.mm(H, W_hq) + b_q
        outputs.append(Y)
    return torch.cat(outputs, dim=0), (H,)

class RNNModelScratch: 
    """从零开始实现的循环神经网络模型"""
    def __init__(self, vocab_size, num_hiddens, device,
                 get_params, init_state, forward_fn):
        #传参 设定参数
        self.vocab_size, self.num_hiddens = vocab_size, num_hiddens
        self.params = get_params(vocab_size, num_hiddens, device)
        self.init_state, self.forward_fn = init_state, forward_fn

    def __call__(self, X, state):
        X = F.one_hot(X.T, self.vocab_size).type(torch.float32)
        return self.forward_fn(X, state, self.params)

    def begin_state(self, batch_size, device):
        return self.init_state(batch_size, self.num_hiddens, device)


num_hiddens = 512
net = RNNModelScratch(len(vocab), num_hiddens, d2l.try_gpu(), get_params,
                      init_rnn_state, rnn)
state = net.begin_state(X.shape[0], d2l.try_gpu())
#h第一维是x的第一维也就是下标的0维,第二维为hidden维
Y, new_state = net(X.to(d2l.try_gpu()), state)
#forward_fn传递为rnn()函数
Y.shape, len(new_state), new_state[0].shape

目前思路是

x为输入形状为(batch_size,num_steps) 此处为(2,5) 转置onehote之后变成(5,2,28)

画矩阵图的话可以发现其实后两维是X的转置遍历就可以变成每个字符中对应的两个句子的类别数形状为(2,28)

为了变形为隐藏层512,W_xh就要(28,512) 于是W_xh*单个x就变成了(2,512)

h为x没有变换之前的第一维与第二维是隐藏层所以为(2,512) W_hh就为(512,512) 变换成(2,512)

W_hq为(512,28) 所以y可以变成(2,28) 意思是从每个x中可以取出对应的下一个字符y,所以维持

(2,28) 2个句子中各自的字符

真实例子开始

#预测部分最后讲

def train_epoch_ch8(net, train_iter, loss, updater, device, use_random_iter):
    """训练网络一个迭代周期（定义见第8章）"""
    state, timer = None, d2l.Timer()
    metric = d2l.Accumulator(2)  # 训练损失之和,词元数量
    for X, Y in train_iter:#X为文本中随机一段,Y为X文本后移一位的文本  对应着x的第一个预测y第一个也就是x的第二个(在X现有文本中)
        # #x第一个和第二个预测y的第二个,x的第一二三个预测y的第三个   ''.join([vocab.idx_to_token[i] for i in X[0]]), ''.join([vocab.idx_to_token[i] for i in Y[0]]),->('llsithe time traveller for so it wi', 'lsithe time traveller for so it wil')
        #''.join([vocab.idx_to_token[i] for i in X[0]]),len(''.join([vocab.idx_to_token[i] for i in X[0]]))  ->('llsithe time traveller for so it wi', 35)
        if state is None or use_random_iter:
            # 在第一次迭代或使用随机抽样时初始化state
            state = net.begin_state(batch_size=X.shape[0], device=device)
        else:
            if isinstance(net, nn.Module) and not isinstance(state, tuple):
                # state对于nn.GRU是个张量
                state.detach_()
            else:
                # state对于nn.LSTM或对于我们从零开始实现的模型是个张量
                for s in state:
                    s.detach_()
        y = Y.T.reshape(-1)
        X, y = X.to(device), y.to(device)
        y_hat, state = net(X, state)
        l = loss(y_hat, y.long()).mean()
        if isinstance(updater, torch.optim.Optimizer):
            updater.zero_grad()
            l.backward()
            grad_clipping(net, 1)
            updater.step()
        else:
            l.backward()
            grad_clipping(net, 1)
            # 因为已经调用了mean函数
            updater(batch_size=1)
        metric.add(l * y.numel(), y.numel())
    return math.exp(metric[0] / metric[1]), metric[1] / timer.stop()



def train_ch8(net, train_iter, vocab, lr, num_epochs, device,
              use_random_iter=False):
    """训练模型（定义见第8章）"""
    loss = nn.CrossEntropyLoss()
    animator = d2l.Animator(xlabel='epoch', ylabel='perplexity',
                            legend=['train'], xlim=[10, num_epochs])
    # 初始化
    if isinstance(net, nn.Module):
        updater = torch.optim.SGD(net.parameters(), lr)
    else:
        updater = lambda batch_size: d2l.sgd(net.params, lr, batch_size)
    predict = lambda prefix: predict_ch8(prefix, 50, net, vocab, device)
    # 训练和预测
    for epoch in range(num_epochs):
        ppl, speed = train_epoch_ch8(
            net, train_iter, loss, updater, device, use_random_iter)
        if (epoch + 1) % 10 == 0:
            print(predict('time traveller'))
            animator.add(epoch + 1, [ppl])
    print(f'困惑度 {ppl:.1f}, {speed:.1f} 词元/秒 {str(device)}')
    print(predict('time traveller'))
    print(predict('traveller'))

#num_epochs, lr = 500, 1
num_epochs, lr = 5, 1
train_ch8(net, train_iter, vocab, lr, num_epochs, d2l.try_gpu())

net = RNNModelScratch(len(vocab), num_hiddens, d2l.try_gpu(), get_params,
                      init_rnn_state, rnn)
#train_ch8(net, train_iter, vocab, lr, num_epochs, d2l.try_gpu(),use_random_iter=True)
d2l.plt.show()

单个y是(32,28) 有35个字符所以应该是list里面装有35个不同的y 表示每一条句子的每一个字符

最后算法他将这加起来按0维度就变成了(32*28=1120,28)

从上往下看每32条句子都是对应一个下标的字符,构成了y_hat,这与y相对应最后用交叉熵做损失再sum可以对应到各自的位置

#裁剪部分就不讲了 有初步理解但是讲不清楚
def grad_clipping(net, theta):  
    """裁剪梯度"""
    if isinstance(net, nn.Module):
        params = [p for p in net.parameters() if p.requires_grad]
    else:
        params = net.params
    norm = torch.sqrt(sum(torch.sum((p.grad ** 2)) for p in params))
    if norm > theta:
        for param in params:
            param.grad[:] *= theta / norm


#预测部分最后讲

def predict_ch8(prefix, num_preds, net, vocab, device):  
    """在prefix后面生成新字符"""
    state = net.begin_state(batch_size=1, device=device)
    outputs = [vocab[prefix[0]]]  #[3] 第一个字符放进字典搜出下标
    get_input = lambda: torch.tensor([outputs[-1]], device=device).reshape((1, 1))#最后预测的一个值作为输入  批量为1 时间长度为1
    for y in prefix[1:]:  # 预热期
        _, state = net(get_input(), state)
        outputs.append(vocab[y])
    for _ in range(num_preds):  # 预测num_preds步
        y, state = net(get_input(), state)
        outputs.append(int(y.argmax(dim=1).reshape(1)))
    return ''.join([vocab.idx_to_token[i] for i in outputs])

Rondox

关注

1
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
rnn 代码讲解

W_hq为(512,28) 所以y可以变成(2,28) 意思是从每个x中可以取出对应的下一个字符y,所以维持(2,28) 2个句子中各自的字符。x为输入形状为(batch_size,num_steps) 此处为(2,5) 转置onehote之后变成(5,2,28)h为x没有变换之前的第一维与第二维是隐藏层所以为(2,512) W_hh就为(512,512) 变换成(2,512)为了变形为隐藏层512,W_xh就要(28,512) 于是W_xh*单个x就变成了(2,512)
复制链接

扫一扫