《动手学深度学习》第二十六天---循环神经网络的从零开始实现

（一）one-hot向量

mxnet.ndarray.one_hot(indices=None, depth=_Null, on_value=_Null, off_value=_Null, dtype=_Null, out=None, name=None, **kwargs)

返回一个one-hot向量，由索引表示的位置取值为on_value，而所有其他位置取值为off_value。具有形状(i0，i1)和深度d的指数的one_hot操作将产生形状(i0，i1，d)的输出阵列，其具有:

如何理解这个输出的数组呢？看一下例子：

首先我们输入的数组是一个1×4的向量[1,0,2,0]，按照定义，输出应该为一个1×4×3的向量，并且在（0,0,1），（0,1,0），（0,2,2），（0,3,0）处取为有效值。可以看到这些位置都满足了（i,j,indices[i,j]）
比如下面分别展示了索引为0和2的one-hot向量，向量长度等于词典大小：

nd.one_hot(nd.array([0, 2]), vocab_size)

输入为2的向量[0,2]，所以只有在（0,0）和（1,2）位置为有效值

我们每次采样的小批量的形状是(批量大小即每个批量内样本数, 时间步数)。下面的函数将这样的小批量变换成数个可以输入进网络的形状为(批量大小, 词典大小)的矩阵，矩阵个数等于时间步数。也就是说，时间步t的输入为Xt∈Rn×d，其中n为批量大小，d为输入个数，即one-hot向量长度（词典大小）。

def to_onehot(X, size):   # X的形状是原小批量形状（批量大小，时间步长）
    return [nd.one_hot(x, size) for x in X.T]   # x为批量大小，size为词典大小，返回（批量大小，词典大小）

X = nd.arange(10).reshape((2, 5))
inputs = to_onehot(X, vocab_size)   # X为数据库
len(inputs), inputs[0].shape  # 输出转换后的inputs的长度（时间步长），形状（批量大小，词典大小）

（二）初始化模型参数

num_inputs, num_hiddens, num_outputs = vocab_size, 256, vocab_size  # 隐藏单元个数 num_hiddens是一个超参数
ctx = d2l.try_gpu()
print('will use', ctx)

def get_params():
    def _one(shape):
        return nd.random.normal(scale=0.01, shape=shape, ctx=ctx)

    # 隐藏层参数
    W_xh = _one((num_inputs, num_hiddens))
    W_hh = _one((num_hiddens, num_hiddens))
    b_h = nd.zeros(num_hiddens, ctx=ctx)
    # 输出层参数
    W_hq = _one((num_hiddens, num_outputs))
    b_q = nd.zeros(num_outputs, ctx=ctx)
    # 附上梯度
    params = [W_xh, W_hh, b_h, W_hq, b_q]
    for param in params:  #  对于params数组里面所有的元素
        param.attach_grad()   #  调用attach_grad函数来申请存储梯度所需的内存 
    return params

（三）定义模型

定义init_rnn_state函数来返回初始化的隐藏状态。
rnn函数定义了在一个时间步里如何计算隐藏状态和输出。

先看一下python中关于元组tuple的知识：

一、列表和元组的区别

1. 列表是动态数组，它们不可变且可以重设长度（改变其内部元素的个数）。
2. 元组是静态数组，它们不可变，且其内部数据一旦创建便无法改变。
3. 元组缓存于Python运行时环境，这意味着我们每次使用元组时无须访问内核去分配内存。
4. 列表可被用于保存多个互相独立对象的数据集合
5. 元组用于描述一个不会改变的事务的多个属性

def init_rnn_state(batch_size, num_hiddens, ctx):
    return (nd.zeros(shape=(batch_size, num_hiddens), ctx=ctx), )
    #  它返回由一个形状为(批量大小, 隐藏单元个数)的值为0的NDArray组成的元组
    #  使用元组是为了处理隐藏状态中有多个NDArray的情况

def rnn(inputs, state, params):
    # inputs和outputs皆为num_steps个形状为(batch_size, vocab_size)的矩阵
    
    W_xh, W_hh, b_h, W_hq, b_q = params
    
    #  params返回的数组形式是 params = [W_xh, W_hh, b_h, W_hq, b_q]
    #  形状：其中W_xh是（词典大小，隐藏层个数），W_hh是（隐藏层个数，隐藏层个数），b_h是（隐藏层个数）
    #  W_hq是（隐藏层个数，输出个数），b_q是（输出个数）

    H, = state  #  state为包含一个NDArray的元组，得到的H是NDArray
    outputs = []
    for X in inputs:
        H = nd.tanh(nd.dot(X, W_xh) + nd.dot(H, W_hh) + b_h)
        #  H 的形状是（批量大小，隐藏层个数），采用的是tanh的激活函数
        Y = nd.dot(H, W_hq) + b_q
        outputs.append(Y)  # 把每个步长的数组处理后同样以数组的形式追加
    return outputs, (H,)  #输出同样是num_steps个形状为（batch_size,vocab_size)的矩阵

做个简单的测试来观察输出结果的个数（时间步数），以及第一个时间步的输出层输出的形状和隐藏状态的形状。

state = init_rnn_state(X.shape[0], num_hiddens, ctx)
#  X是形状为（批量大小，时间步长）的数组，num_hiddens是超参数，隐藏层个数
#  利用函数init_rnn_state得到的是初始化的隐藏层状态
inputs = to_onehot(X.as_in_context(ctx), vocab_size)
#  得到one-hot向量（批量大小，词典大小）作为inputs
params = get_params()
#  得到初始化的隐藏层和输出层的各参数
outputs, state_new = rnn(inputs, state, params)
#  得到经过五个步长后的输出和最后得到隐藏层状态
len(outputs), outputs[0].shape, state_new[0].shape
#  检验输出结果数目，输出层形状和隐藏层状态形状

Out:
(5, (2, 1027), (2, 256))

（四）定义预测函数

def predict_rnn(prefix, num_chars, rnn, params, init_rnn_state,
                num_hiddens, vocab_size, ctx, idx_to_char, char_to_idx):
                #  参数prefix---含有数个字符的字符串，num_chars为接下来需要预测的数个字符
                #  rnn计算输出和更新隐藏状态，params是初始化参数，init_rnn_state是初始化隐藏状态
                #  num_hiddens是隐藏层数目，vocab_size是词典大小，ctx为选择的cpu或者gpu加速
                #  idx_to_char是词典由索引到字符的对应
    state = init_rnn_state(1, num_hiddens, ctx)
    #  初始化隐藏状态是（1，num_hiddens）的数组
    output = [char_to_idx[prefix[0]]]
    #  找到给出的第一个字符的索引，形成数组的第一个元素
    for t in range(num_chars + len(prefix) - 1):
        # 将上一时间步的输出作为当前时间步的输入
        X = to_onehot(nd.array([output[-1]], ctx=ctx), vocab_size)
        # 计算输出和更新隐藏状态
        (Y, state) = rnn(X, state, params)
        # 下一个时间步的输入是prefix里的字符或者当前的最佳预测字符
        if t < len(prefix) - 1:
            output.append(char_to_idx[prefix[t + 1]])
        else:
            output.append(int(Y[0].argmax(axis=1).asscalar()))  #追加的是Y[0]数组的沿着第二维的索引的最大值
    return ''.join([idx_to_char[i] for i in output])  #  由索引得到字符

先测试一下predict_rnn函数。我们将根据前缀“分开”创作长度为10个字符（不考虑前缀长度）的一段歌词。因为模型参数为随机值，所以预测结果也是随机的。

predict_rnn('分开', 10, rnn, params, init_rnn_state, num_hiddens, vocab_size,
            ctx, idx_to_char, char_to_idx)

分布分析一下预测的过程：
首先超参 predix=‘分开’，num_chars=10
初始化隐藏状态为
state= [[0. 0. 0. 0. 0. 0. 0. 0. 0. 0.]]
<NDArray 1x10 @gpu(0)>
predix[0]=‘分’，output=[215]
for t in range(10+2-1=11) ，t从0到10：
nd.array([output[-1]], ctx=ctx) 为 [215] , 所以经过to_onehot函数以后得到one_hot向量X
len(X)=1,X[0].shape=(1,1027)

经过rnn函数得到输出Y

由于t=0< (2-1)，所以output追加为[215,530]
然后t=1
nd.array([output[-1]], ctx=ctx)是[530]
得到的X仍然如上，但是由于之前的state更新了，并且参数是随机值，所以得到的Y不一样

这时得到的t=1（其实就是predix在output数组中追加完了）
接下来对output数组的追加由于params的随机，所以得到的都是随机的，并且不受前面的已存的影响。

（五）裁剪梯度（clip gradient）

深度神经网络训练的时候，采用的是反向传播方式，该方式背后其实是链式求导，计算每层梯度的时候会涉及一些连乘操作。
因此如果网络过深，那么如果连乘的因子大部分小于1，最后乘积的结果可能趋于0，也就是梯度消失，后面的网络层的参数不发生变化，后面的层学不到东西；
那么如果连乘的因子大部分大于1，最后乘积可能趋于无穷，这就是梯度爆炸。
梯度爆炸，其实就是偏导数很大的意思。回想我们使用梯度下降方法更新参数：

损失函数的值沿着梯度的方向呈下降趋势，然而，如果梯度（偏导数）很大话，就会出现函数值跳来跳去，收敛不到最值的情况，其中一种解决方法是，将学习率αα设小一点，如0.0001。
这里介绍梯度裁剪（Gradient Clipping）的方法，对梯度的L2范数进行裁剪，也就是所有参数偏导数的平方和再开方。

裁剪后的梯度

的L2范数不超过θ。

def grad_clipping(params, theta, ctx):  # 对于裁剪梯度函数的定义
    norm = nd.array([0], ctx)  # 定义正则
    for param in params:
        norm += (param.grad ** 2).sum()  #对所有参数求导然后参数元素求平方后求和，再把参数平方和相加
    norm = norm.sqrt().asscalar()  # 开方
    if norm > theta:
        for param in params:
            param.grad[:] *= theta / norm  # 根据得到的正则条件处理裁剪梯度

（五）困惑度（perplexity）

在自然语言处理中，对于一个语言模型，一般用困惑度来衡量它的好坏，困惑度越低，说明语言模型面对一句话感到困惑的程度越低，语言模型就越好。
困惑度是对交叉熵损失函数做指数运算后得到的值。特别地，

1. 最佳情况下，模型总是把标签类别的概率预测为1，此时困惑度为1；
2. 最坏情况下，模型总是把标签类别的概率预测为0，此时困惑度为正无穷；
3. 基线情况下，模型总是预测所有类别的概率都相同，此时困惑度为类别个数。

显然，任何一个有效模型的困惑度必须小于类别个数。

（六）定义模型训练函数

def train_and_predict_rnn(rnn, get_params, init_rnn_state, num_hiddens,
                          vocab_size, ctx, corpus_indices, idx_to_char,
                          char_to_idx, is_random_iter, num_epochs, num_steps,
                          lr, clipping_theta, batch_size, pred_period,
                          pred_len, prefixes):
    if is_random_iter:
        data_iter_fn = d2l.data_iter_random  # 采用随机采样
    else:
        data_iter_fn = d2l.data_iter_consecutive  # 采用相邻采样
    params = get_params()  # 获取随机参数
    loss = gloss.SoftmaxCrossEntropyLoss()  #使用交叉熵损失函数

    for epoch in range(num_epochs):
        if not is_random_iter:  # 如使用相邻采样，在epoch开始时初始化隐藏状态
            state = init_rnn_state(batch_size, num_hiddens, ctx)
        l_sum, n, start = 0.0, 0, time.time()
        data_iter = data_iter_fn(corpus_indices, batch_size, num_steps, ctx)
        for X, Y in data_iter:
            if is_random_iter:  # 如使用随机采样，在每个小批量更新前初始化隐藏状态
                state = init_rnn_state(batch_size, num_hiddens, ctx)
            else:  # 否则需要使用detach函数从计算图分离隐藏状态
                for s in state:
                    s.detach()
            with autograd.record():
                inputs = to_onehot(X, vocab_size）
                #  X为每个批量里面（batch_size,num_steps)的矩阵，经过to_onehot函数后得到有num_steps个形状为(batch_size, vocab_size)的矩阵inputs
                (outputs, state) = rnn(inputs, state, params)  # outputs有num_steps个形状为(batch_size, vocab_size)的矩阵
               outputs = nd.concat(*outputs, dim=0)
                # 沿着第一维拼接，所以把num_steps*batch_size作为第一维的大小
                # 拼接之后形状为(num_steps * batch_size, vocab_size)
               y = Y.T.reshape((-1,))
                # reshape（-1,) 中有参数为-1时，表示这个维的数目由别的维决定
                # Y的形状是(batch_size, num_steps)，转置后再变成长度为batch * num_steps 的向量，这样跟输出的行一一对应 
                l = loss(outputs, y).mean()  # 使用交叉熵损失计算平均分类误差
                #  由于我们需要得到的一个词后面是什么词，所以以原歌词中的的X+1作为原输出，outputs作为训练输出
            l.backward()  # 小批量的损失对模型参数求梯度
            grad_clipping(params, clipping_theta, ctx)  # 裁剪梯度
            d2l.sgd(params, lr, 1)  # 使用小批量随机梯度下降迭代模型参数
            # 因为误差已经取过均值，梯度不用再做平均，所以batch_size设为1
            l_sum += l.asscalar() * y.size  # 总损失
            n += y.size  #所有参与训练的字的数目

        if (epoch + 1) % pred_period == 0:  # 每隔对于对于预测长度可以整除的训练周期就输出一次预测
            print('epoch %d, perplexity %f, time %.2f sec' % (
                epoch + 1, math.exp(l_sum / n), time.time() - start))  # 输出当前训练周期，困惑度，训练时间
            for prefix in prefixes:
                print(' -', predict_rnn(
                    prefix, pred_len, rnn, params, init_rnn_state,
                    num_hiddens, vocab_size, ctx, idx_to_char, char_to_idx))

（七）训练模型并创作歌词

num_epochs, num_steps, batch_size, lr, clipping_theta = 250, 35, 32, 1e2, 1e-2
# 手动设计训练周期，时间步长，批量大小，学习率，裁剪梯度参数
pred_period, pred_len, prefixes = 50, 50, ['分开', '不分开']
# 预测周期，预测字数，前缀

采用随机采样：

train_and_predict_rnn(rnn, get_params, init_rnn_state, num_hiddens,
                      vocab_size, ctx, corpus_indices, idx_to_char,
                      char_to_idx, True, num_epochs, num_steps, lr,
                      clipping_theta, batch_size, pred_period, pred_len,
                      prefixes)

采用相邻采样：

train_and_predict_rnn(rnn, get_params, init_rnn_state, num_hiddens,
                      vocab_size, ctx, corpus_indices, idx_to_char,
                      char_to_idx, False, num_epochs, num_steps, lr,
                      clipping_theta, batch_size, pred_period, pred_len,
                      prefixes)