本节课程地址：简介实现_哔哩哔哩_bilibili
本节教材地址：8.6. 循环神经网络的简洁实现 — 动手学深度学习 2.0.0 documentation (d2l.ai)
本节开源代码：...>d2l-zh>pytorch>chapter_multilayer-perceptrons>rnn-concise.ipynb
循环神经网络的简洁实现
虽然 8.5节 对了解循环神经网络的实现方式具有指导意义，但并不方便。 本节将展示如何使用深度学习框架的高级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)[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（这将在 9.3节 中介绍）。 现在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)，它的形状是（隐藏层数，批量大小，隐藏单元数）。
state = torch.zeros((1, batch_size, num_hiddens))
state.shape输出结果：
torch.Size([1, 32, 256])
[通过一个隐状态和一个输入，我们就可以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输出结果：
(torch.Size([35, 32, 256]), torch.Size([1, 32, 256]))
与 8.5节 类似， [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。
#@save
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_directions应该是2，否则应该是1
if not self.rnn.bidirectional:
self.num_directions = 1
# 构造输出层
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_directions * self.rnn.num_layers,
batch_size, self.num_hiddens), device=device))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)输出结果：
'time travellerpxxqxxxxxx'
很明显，这种模型根本不能输出好的结果。 接下来，我们使用 8.5节 中 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)输出结果：
perplexity 1.3, 79579.9 tokens/sec on cpu
time traveller after the pauserequired for the prathere for anou
traveller bat no sime soc ans have a dimentab incane round
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。
小结
- 深度学习框架的高级API提供了循环神经网络层的实现。
- 高级API的循环神经网络层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。
- 相比从零开始实现的循环神经网络，使用高级API实现可以加速训练。
练习
- 尝试使用高级API，能使循环神经网络模型过拟合吗？
解：
高级API只是简化了RNN构建，但不改变模型的基本特性，不会直接导致RNN模型过拟合。过拟合通常是由于模型复杂度过高（比如增加RNN隐藏层数）、训练数据较简单、epochs过大等导致的。
下题尝试增加RNN隐藏层数，使RNN模型过拟合。 - 如果在循环神经网络模型中增加隐藏层的数量会发生什么？能使模型正常工作吗？
解：
当隐藏层数量增加到5时，困惑度降低到1.0，运行速度变慢，并且在不到100个epoch时模型就已达到最佳。
当隐藏层数量进一步增加到20时，运行速度变得很慢，困惑度也居高不下，表明出现严重过拟合。代码如下：
# 隐藏层5
num_hiddens = 256
rnn_layer_5 = nn.RNN(len(vocab), num_hiddens, num_layers = 5)
device = d2l.try_gpu()
net_5 = RNNModel(rnn_layer_5, vocab_size=len(vocab))
net_5 = net_5.to(device)
num_epochs, lr = 500, 1
d2l.train_ch8(net_5, train_iter, vocab, lr, num_epochs, device)输出结果：
perplexity 1.0, 15616.6 tokens/sec on cpu
time traveller with a slight accession ofcheerfulness really thi
travelleryou can show black is white by argument said filby
# 隐藏层20
num_hiddens = 256
rnn_layer_20 = nn.RNN(len(vocab), num_hiddens, num_layers = 20)
device = d2l.try_gpu()
net_20 = RNNModel(rnn_layer_20, vocab_size=len(vocab))
net_20 = net_20.to(device)
num_epochs, lr = 500, 1
d2l.train_ch8(net_20, train_iter, vocab, lr, num_epochs, device)
perplexity 17.5, 4105.6 tokens/sec on cpu
time traveller
traveller
# 生成序列数据和训练模型
T = 1000
time = torch.arange(1, T + 1, dtype=torch.float32)
x = torch.sin(0.01 * time) + torch.normal(0, 0.2, (T,))
tau = 4
features = torch.zeros((T - tau, tau))
for i in range(tau):
features[:, i] = x[i: T - tau + i]
labels = x[tau:].reshape((-1, 1))
batch_size, n_train = 16, 600
train_iter = d2l.load_array((features[:n_train], labels[:n_train]),
batch_size, is_train=True)
# 构建RNN和训练函数
class RNNModel(nn.Module):
def __init__(self, input_size, hidden_size, num_layers, output_size):
super(RNNModel, self).__init__()
# 构建隐藏层+ReLU+输出层
self.rnn = nn.RNN(input_size, hidden_size, num_layers)
self.relu = nn.ReLU()
self.linear = nn.Linear(hidden_size, output_size)
def forward(self, x):
# x的形状应为(batch_size, sequence_length, input_size)
# batch_size = 16, sequence_length = 1, input_size = 4
Y, _ = self.rnn(x.unsqueeze(1))
# x的形状应为(batch_size, sequence_length, hidden_size)
Y = self.relu(Y)
output = self.linear(Y[:, -1, :])
return output
def train(net, train_iter, epochs, lr):
trainer = torch.optim.Adam(net.parameters(), lr)
loss = nn.MSELoss(reduction='none')
for epoch in range(epochs):
for X, y in train_iter:
trainer.zero_grad()
l = loss(net(X), y)
l.sum().backward()
trainer.step()
print(f'epoch {epoch + 1}, '
f'loss: {d2l.evaluate_loss(net, train_iter, loss):f}')
# 训练
input_size, hidden_size, num_layers, output_size = 4, 10, 1, 1
net_seq = RNNModel(input_size, hidden_size, num_layers, output_size)
train(net_seq, train_iter, 5, 0.01)输出结果：
epoch 1, loss: 0.057486
epoch 2, loss: 0.055890
epoch 3, loss: 0.059017
epoch 4, loss: 0.057606
epoch 5, loss: 0.051698
# 预测
onestep_preds = net_seq(features)
d2l.plot([time, time[tau:]],
[x.detach().numpy(), onestep_preds.detach().numpy()], 'time',
'x', legend=['data', '1-step preds'], xlim=[1, 1000],
figsize=(6, 3))输出结果：
扫一扫
6万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
