ML(15)- RNN-LSTM-tf.nn.rnn_cell

小陈同学-陈百万

已于 2023-10-25 21:44:21 修改

阅读量1.7k

点赞数

分类专栏： MachineLearning 文章标签： tensorflow 深度学习机器学习

于 2022-03-26 21:53:48 首次发布

本文链接：https://blog.csdn.net/sinat_40624829/article/details/123679112

版权

MachineLearning 专栏收录该内容

16 篇文章 4 订阅

订阅专栏

RNN-LSTM

1.RNN
2.LSTM
3. tensorflow 中的RNN-LSTM

1.RNN

RNN-Recurrent Neural Network-循环神经网络

RNN用来处理序列数据。多层感知机MLP层间节点全联接，层内节点并无链接。 RNN层内节点的之间存在连接关系，用来反映上一层隐层状态作为下一层的输入，将直接输给中间隐藏层。

RNN网络模块图如下所示：
在这里插入图片描述
其中： $x_t$ 网络t时刻输入， $h_t$ 网络t时刻的输出。如果将RNN按时间序列展开，可以得到以下链式结构：

在这里插入图片描述
用简单的权重矩阵建模rnn, 输入-状态-输出之间存在以下的关系：[ $o_t$ 即上文的 $h_t$ ]

$s_{t} = f(U\cdot x_t + W\cdot s_{t-1})$
$o_t = g(V\cdot s_t)$

$s_{t-1}$ 能够建模历史信息对当前输出的影响。原始RNN随着时间的推移，历史状态对当前输出的影响减弱。但是很多任务需要长时依赖关系。LSTM营运而生。

2.LSTM

LSTM-Long Short-Term Memory 可以学习长时依赖信息，LSTM网络模块图如下所示：
在这里插入图片描述
状态传递机制决定了上一时刻状态信息的保留量，以及新输入信息的增量。LSTM包含三个关键的门用于实现这一传递机制。

**遗忘门：**上一时刻输出和这一个时刻输入决定上一时刻的状态保留百分比 $f_t$ 。【sigmoid输出0-1 之间的一个数】
在这里插入图片描述
输入门： $\tilde{C}_t$ 为新信息候选向量， $i_t$ 决定了多少新信息候选向量能够通过。随后更新状态信息：

输出门： 当前状态 $C_t$ 和 $h_{t-1}$ 以及 $x_t$ 共同决定当前时刻输出信息 $h_t$

在这里插入图片描述

参考资料：https://colah.github.io/posts/2015-08-Understanding-LSTMs/

3. tensorflow 中的RNN-LSTM

RNNCell是TensorFlow中实现RNN的基本单元，每个RNNCell都有一个call方法，使用方式是：(output, next_state) = call(input, state)。RNNCell是一个抽象类，实际使用时候，用它的两个子类BasicRNNCell [RNN的基础类] 和BasicLSTMCell [LSTM的基础类]。

3.1 tf.nn.rnn_cell.BasicRNNCell()

RNNCell，具有两个比较重要类属性：state_size–决定隐层的大小，output_size决定输出大小
例如将(batch_size, input_size)数据输入RNN，得到的隐层状态就是(batch_size, state_size)，输出是(batch_size, output_size)。

import tensorflow as tf
import numpy as np
cell = tf.nn.rnn_cell.BasicRNNCell(num_units=128) # state_size = 128
print(cell.state_size)                            # 128

inputs = tf.placeholder(np.float32, shape=(32, 100)) # batch_size=32
h0 = cell.zero_state(32, np.float32) # 全零状态(batch_size, state_size)
output, h1 = cell.call(inputs, h0)
print(h1.shape)                            # (32, 128)

、

3.2 tf.nn.rnn_cell.BasicLSTMCell()

tf.nn.rnn_cell.BasicLSTMCell(
    num_units,              # int类型，隐层输出大小
    forget_bias=1.0,        # float类型， 遗忘门偏置
    state_is_tuple=True,    # 回的状态是h_t和c_t的2元tuple  LSTM可以看做有两个隐状态h和c
    activation=None,        # 内部状态的激活函数。默认为tanh
    reuse=None,
    name=None,
    dtype=None
    ）

3.3 tf.nn.dynamic_rnn()–多步执行循环神经网络

基础的RNNCell使用它的call函数进行运算时，只是在序列时间上前进了一步。例如使用(x1，h0)得到h1，(x2, h1)得到h2等。如果序列长度为10，需调用10次call函数，比较麻烦。

TensorFlow提供了一个tf.nn.dynamic_rnn函数，该函数可实现n次调用call函数。即通过{h0,x1, x2, …., xn}得{h1,h2…,hn}。

输入数据格式为(batch_size, time_steps, input_size)，其中time_steps表示序列长度，input_size表示单个序列元素的特征长度。

tf.nn.dynamic_rnn(
    cell, inputs, sequence_length=None, initial_state=None, dtype=None,
    parallel_iterations=None, swap_memory=False, time_major=False, scope=None
)

对于一个定义的的cell ,多次执行该cell 的demo 为：

outputs, state = tf.nn.dynamic_rnn(cell, inputs, initial_state=initial_state)
# outputs就是time_steps步里所有的输出-(batch_size, time_steps, cell.output_size)。state是最后一步的隐状态，它的形状为(batch_size, cell.state_size)。

动态调整sequence_length tf.nn.dynamic_rnn 详解

参考资料：
tensorflow学习之BasicLSTMCell详解
 TensorFlow中RNN实现的正确打开方式