RNN
RNN简介
参考知乎
循环神经网络
对于处理连续文本,我们需要联系句子上下文的内容,例如“我 吃 水果”。
我们需要将三个词一次输入我们的输入层中,三个词分不同的时刻输入。因此,每个时刻的权值W都是继承上个权值S,而新的S又由输入X和W共同决定,更为详细的图:
我们将每次的输出更新,会得到下面这样的公式参考链接
很容易看出,RNN存在两个问题,梯度消失和梯度爆炸,这也是LSTM提出的原因。
BRNN
link
显然我们再看一个句子的时候不仅会结合上文语义,也会结合下文
我们建立这样的时序网络,其中隐藏层有两个权值,一个是前向层,一个是后向层,分别计算前后的和,合并为输出。
DRNN
多个隐藏层,深度循环神经网络
LSTM
LSTM与普通RNN不同之处在于中间的隐藏层
LSTM的关键,就是怎样控制长期状态c。在这里,LSTM的思路是使用三个控制开关。第一个开关,负责控制继续保存长期状态c;第二个开关,负责控制把即时状态输入到长期状态c;第三个开关,负责控制是否把长期状态c作为当前的LSTM的输出。
LSTM用两个门来控制单元状态c的内容,一个是遗忘门(forget gate),它决定了上一时刻的单元状态
c
t
−
1
c_{t-1}
ct−1有多少保留到当前时刻
c
t
c_t
ct;另一个是输入门(input gate),它决定了当前时刻网络的输入
x
t
x_t
xt有多少保存到单元状态
c
t
c_t
ct。LSTM用输出门(output gate)来控制单元状态
c
t
c_t
ct有多少输出到LSTM的当前输出值
h
t
h_t
ht。
这里
⨀
\bigodot
⨀是按元素乘,也就是相同格式的矩阵对应每一位相乘
Bi-LSTM
我的理解是将两个LSTM,一个对词序正向,一个对词序反向,然后将两个LSTM的最终输出结合起来输出
对于上图,我们将
h
0
h_0
h0,
h
1
h_1
h1,
h
2
h_2
h2结合起来
对于语义情感分析,我们常把
h
L
2
h_{L2}
hL2和
h
R
2
h_{R2}
hR2结合起来输出
LSTM代码分析
代码改自网络,使用LSTM处理MNISIT数据集
import torch
import torch.utils.data as Data
import torchvision
import matplotlib.pyplot as plt
import numpy as np
BATCH_SIZE = 50
class RNN(torch.nn.Module):
def __init__(self):
super().__init__()
self.rnn=torch.nn.LSTM(
input_size=28,#指代输入词向量的维度
hidden_size=64,#隐藏层的维度,因为隐藏层中含有h和c两个参数,两个参数也是被一个矩阵作用后与输入x经过矩阵作用后相运算
num_layers=1,#指代有几层LSTM
batch_first=True,#一般我们输入数据的格式是(batch_size, seqlength, feature),
# 但这里默认是false,也就是按照(seqlength,batch_size,feature)的顺序,所以我们需要设置为True
bidirectional=False,#这个参数决定是否为双向LSTM
dropout=0,#为了防止过拟合的一种方法,默认是0
bias=True#默认为True,设置偏置
)
self.out=torch.nn.Linear(in_features=64,out_features=10)
def forward(self,x):
# 以下关于shape的注释只针对单向
# output: [batch_size, time_step, hidden_size]
# h_n: [num_layers,batch_size, hidden_size] # 虽然LSTM的batch_first为True,但是h_n/c_n的第一维还是num_layers
# c_n: 同h_n
output,(h_n,c_n)=self.rnn(x)
print(output.size())
# output_in_last_timestep=output[:,-1,:] # 也是可以的
output_in_last_timestep=h_n[-1,:,:]
# print(output_in_last_timestep.equal(output[:,-1,:])) #ture
x=self.out(output_in_last_timestep)
return x
if __name__ == "__main__":
device = torch.device('cuda:0' if torch.cuda.is_available() else 'cpu')
print(device)
# 1. 加载数据
training_dataset = torchvision.datasets.MNIST("./mnist", train=True,
transform=torchvision.transforms.ToTensor(), download=True)
dataloader = Data.DataLoader(dataset=training_dataset,
batch_size=BATCH_SIZE, shuffle=True, num_workers=2)
# showSample(dataloader)
test_data=torchvision.datasets.MNIST(root="./mnist",train=False,
transform=torchvision.transforms.ToTensor(),download=False)
test_dataloader=Data.DataLoader(
dataset=test_data,batch_size=1000,shuffle=False,num_workers=2)
testdata_iter=iter(test_dataloader)
test_x,test_y=testdata_iter.next()
test_x=test_x.view(-1,28,28)
# 2. 网络搭建
net=RNN()
net.to(device)
#网络参数全部在cuda上
# 3. 训练
# 3. 网络的训练(和之前CNN训练的代码基本一样)
optimizer=torch.optim.Adam(net.parameters(),lr=0.001)
loss_F=torch.nn.CrossEntropyLoss()
for epoch in range(1): # 数据集只迭代一次
for step, input_data in enumerate(dataloader):
input_data=input_data
x,y=input_data
x = x.to(device)
y = y.to(device)
#将数据移到cuda上
pred=net(x.view(-1,28,28))
loss=loss_F(pred,y) # 计算loss
optimizer.zero_grad()
loss.backward()
optimizer.step()
if step%50==49: # 每50步,计算精度
with torch.no_grad():
test_x = test_x.to(device)
test_y = test_y.to(device)
# 将数据移到cuda上
test_pred=net(test_x)
prob=torch.nn.functional.softmax(test_pred,dim=1)
pred_cls=torch.argmax(prob,dim=1)
acc=(pred_cls==test_y).sum().to('cpu').numpy()/pred_cls.size()[0]
# numpy的计算必须在cpu上
print(f"{epoch}-{step}: accuracy:{acc}")