1、导包
import torch.utils.data
from torch import optim, nn
import numpy as np
import matplotlib.pyplot as plt
2、设定参数
#参数设定
num_time_steps = 50
#训练时循环次数
input_size = 1
#输入维度
hidden_size = 16
#隐藏层节点个数
output_size = 1
#输出维度
就是相当于每个节点1维扩展成了16维然后再映射到1维
3、通过pytorch建立RNN模型
#网络结构定义
class Net(nn.Module):
def __init__(self):
super(Net, self).__init__()
self.rnn = nn.RNN(
input_size=input_size,
#输入数据的维度,比如使用one-hot编码单词,300个值表示一个字母维度就是300
hidden_size=hidden_size,
#隐藏层节点的个数
num_layers=1,#叠加的层数,此处只叠加一层
#即RNN经过几层堆叠得到结果
batch_first=True
#RNN默认输入是(seq_len, batch_size, input_size),此时batch_size在第一维度,所以需要设置成True
)
self.liner = nn.Linear(hidden_size, output_size)
def forward(self, x, hidden_prev):
out, hidden_prev = self.rnn(x, hidden_prev)
out = out.view(-1, hidden_size)
out = self.liner(out)
out = out.unsqueeze(dim=0)
return out, hidden_prev
参数解释:参考链接
1.input_size
说白了input_size无非就是你输入RNN的维度,比如说NLP中你需要把一个单词输入到RNN中,这个单词的编码是300维的,那么这个input_size就是300.这里的input_size其实就是规定了你的输入变量的维度。用f(wX+b)来类比的话,这里输入的就是X的维度。
2.hidden_size
和最简单的BP网络一样的,每个RNN的节点实际上就是一个BP嘛,包含输入层,隐含层,输出层。这里的hidden_size呢,你可以看做是隐含层中,隐含节点的个数。
3.num_layers
表示RNN是由几层堆叠在一起的
如果是num_layer1的话:
如果num_layer2的话:
4.最终输出:hn与output
(1)hidden的输出size为[ num_layers* num_directions, batch_size, n_hidden].
说白了,hidden就是每个方向,每个层的 隐藏单元的输出,所以是n_hidden个。
(2)output的size(如果RNN设定的batch_first=True),那么就是[batch_size,seq_len,n_hidden],对于分类任务如果要取得最后一个output,只需添加下标 [ :,-1,:]
hn就是RNN的最后一个隐含状态,output就是RNN最终得到的结果。
4、训练RNN模型
#训练网络
model = Net()#初始化RNN
criterion = nn.MSELoss()#定义损失函数
optimizer = optim.Adam(model.parameters(), 1e-2)#优化器
hidden_prev = torch.zeros(1, 1, hidden_size) #初始化h0,即开始向后一层传递的记忆单元
for iter in range(6000):
start = np.random.randint(3, size=1)[0]#在0~3之间随机取开始的时刻点
# print(start)
time_steps = np.linspace(start, start + 10, num_time_steps)
#在开始点和开始点+10之间均匀的取50个点,用于绘制图像,做数据集
data = np.sin(time_steps)
#计算数据预期值
data = data.reshape(num_time_steps, 1)
x = torch.tensor(data[:-1]).float().view(1, num_time_steps - 1, 1)
#将数据转为Tensor类型:(batch_size,seq_len, input_size)
y = torch.tensor(data[1:]).float().view(1, num_time_steps - 1, 1)
output, hidden_prev = model(x, hidden_prev)
#output输出的是预测的49个值的结果,hp是隐藏层每个维度的输出值
# print('output',output.size())
# print('prev',hidden_prev.size())
hidden_prev = hidden_prev.detach()
#将原来变量赋值一份并转为Tensor格式
loss = criterion(output, y)
#计算误差值
model.zero_grad()
#梯度清零
loss.backward()
optimizer.step()
#反向传播优化
#每训练100次输出一次误差
if iter % 100 == 0:
print("Iter: {} loss: {} ".format(iter, loss))
5、保存模型并生成test值预测
state = {'net':model.state_dict(), 'optimizer':optimizer.state_dict()}
filePath = '/Users/fengxiaolin/Library/Containers/com.kingsoft.wpsoffice.mac/Data/Library/Application Support/Kingsoft/WPS Cloud Files/userdata/qing/filecache/唐荣的云文档/00000研究生/机器学习/Model/RNN.kpl'
torch.save(state,filePath)
#预测以及绘图
start = np.random.randint(3, size=1)[0]
print(start)
time_steps = np.linspace(start, start + 10, num_time_steps)
data = np.sin(time_steps)
data = data.reshape(num_time_steps, 1)
x = torch.tensor(data[:-1]).float().view(1, num_time_steps - 1, 1)
#将数据x转为Tensor类型
y = torch.tensor(data[1:]).float().view(1, num_time_steps - 1, 1)
#将数据y转为Tensor类型
prediction = [] #预期数据矩阵
input = x[:, 0, :]
for _ in range(x.shape[1]):
input = input.view(1, 1, 1)
(pred, hidden_prev) = model(input, hidden_prev)
input = pred
prediction.append(pred.detach().numpy().ravel()[0])
x = x.data.numpy().ravel()
y = y.data.numpy()
plt.scatter(time_steps[:-1], x.ravel(), s=90)
plt.plot(time_steps[:-1], x.ravel())
plt.scatter(time_steps[1:], prediction)
plt.show()
6、结果
7、整体代码
# Python TR
# Time:2021/1/26 4:30 下午
import torch.utils.data
from torch import optim, nn
import numpy as np
import matplotlib.pyplot as plt
import torch
#参数设定
num_time_steps = 50
#训练时循环次数
input_size = 1
#输入维度
hidden_size = 16
#隐藏层节点个数
output_size = 1
#输出维度
#网络结构定义
class Net(nn.Module):
def __init__(self):
super(Net, self).__init__()
self.rnn = nn.RNN(
input_size=input_size,
#输入数据的维度,比如使用one-hot编码单词,300个值表示一个字母维度就是300
hidden_size=hidden_size,
#隐藏层节点的个数
num_layers=1,#叠加的层数,此处只叠加一层
#即RNN经过几层堆叠得到结果
batch_first=True
#RNN默认输入是(seq_len, batch_size, input_size),此时batch_size在第一维度,所以需要设置成True
)
self.liner = nn.Linear(hidden_size, output_size)
def forward(self, x, hidden_prev):
out, hidden_prev = self.rnn(x, hidden_prev)
out = out.view(-1, hidden_size)
# print(out.shape)
out = self.liner(out)
out = out.unsqueeze(dim=0)
return out, hidden_prev
#训练网络
model = Net()#初始化RNN
criterion = nn.MSELoss()#定义损失函数
optimizer = optim.Adam(model.parameters(), 1e-2)#优化器
hidden_prev = torch.zeros(1, 1, hidden_size) #初始化h0,即开始向后一层传递的记忆单元
for iter in range(6000):
start = np.random.randint(3, size=1)[0]#在0~3之间随机取开始的时刻点
#??
# print(start)
time_steps = np.linspace(start, start + 10, num_time_steps)
#在开始点和开始点+10之间均匀的取50个点,用于绘制图像,做数据集
data = np.sin(time_steps)
#计算数据预期值
data = data.reshape(num_time_steps, 1)
x = torch.tensor(data[:-1]).float().view(1, num_time_steps - 1, 1)
#将数据转为Tensor类型:(batch_size,seq_len, input_size)
y = torch.tensor(data[1:]).float().view(1, num_time_steps - 1, 1)
output, hidden_prev = model(x, hidden_prev)
#output输出的是预测的49个值的结果,hp是隐藏层每个维度的输出值
# print('output',output.size())
# print('prev',hidden_prev.size())
hidden_prev = hidden_prev.detach()
#??分离出变量并且在新变量中不使用梯度
loss = criterion(output, y)
#计算误差值
model.zero_grad()
#梯度清零
loss.backward()
optimizer.step()
#反向传播优化
#没训练100次输出一次误差
if iter % 100 == 0:
print("Iter: {} loss: {} ".format(iter, loss))
state = {'net':model.state_dict(), 'optimizer':optimizer.state_dict()}
filePath = '/Users/fengxiaolin/Library/Containers/com.kingsoft.wpsoffice.mac/Data/Library/Application Support/Kingsoft/WPS Cloud Files/userdata/qing/filecache/唐荣的云文档/00000研究生/机器学习/Model/RNN.kpl'
torch.save(state,filePath)
#预测以及绘图
start = np.random.randint(3, size=1)[0]
print(start)
time_steps = np.linspace(start, start + 10, num_time_steps)
data = np.sin(time_steps)
data = data.reshape(num_time_steps, 1)
x = torch.tensor(data[:-1]).float().view(1, num_time_steps - 1, 1)
#将数据x转为Tensor类型
y = torch.tensor(data[1:]).float().view(1, num_time_steps - 1, 1)
#将数据y转为Tensor类型
prediction = [] #预期数据矩阵
input = x[:, 0, :]
for _ in range(x.shape[1]):
input = input.view(1, 1, 1)
(pred, hidden_prev) = model(input, hidden_prev)
input = pred
prediction.append(pred.detach().numpy().ravel()[0])
x = x.data.numpy().ravel()
y = y.data.numpy()
plt.scatter(time_steps[:-1], x.ravel(), s=90)
plt.plot(time_steps[:-1], x.ravel())
plt.scatter(time_steps[1:], prediction)
plt.show()