NLP之RNN的原理讲解（python示例）

代码示例

import numpy as np
import tensorflow as tf
from tensorflow.keras.layers import SimpleRNNCell

# 第t时刻要训练的数据
xt = tf.Variable(np.random.randint(2, 3, size=[1, 1]), dtype=tf.float32)
print(xt)
# https://www.cnblogs.com/Renyi-Fan/p/13722276.html

cell = SimpleRNNCell(units=1, activation=None, use_bias=True, kernel_initializer='ones', recurrent_initializer='ones',
                     bias_initializer=tf.keras.initializers.Constant(value=3))
cell.build(input_shape=[None, 1])
print('variables', cell.variables)
print('config:', cell.get_config())

print(tf.nn.tanh(tf.constant([-float("inf"), 6, float("inf")])))

# 第t时刻运算
ht_1 = tf.ones([1, 1])
out, ht = cell(xt, ht_1)  # LSTM
print(out, ht[0])
print(id(out), id(ht[0]))

# 第t+1时刻运算
cell2 = SimpleRNNCell(units=1, activation=None, use_bias=True, kernel_initializer='ones',
                      recurrent_initializer=tf.keras.initializers.Constant(value=3), bias_initializer='ones')
xt2 = tf.Variable(np.random.randint(3, 4, size=[1, 1]), dtype=tf.float32)
out2, ht2 = cell2(xt2, ht)
print(out2, ht2[0])

代码解读

这段代码包含了一些使用 TensorFlow 来创建和操作循环神经网络（RNN）的基础操作。我们将一步步地解释其含义。

1. 导入所需的库:

   import numpy as np
   import tensorflow as tf
   from tensorflow.keras.layers import SimpleRNNCell
   

   代码导入了NumPy库、TensorFlow库以及SimpleRNNCell，这是一个实现了简单的RNN单元操作的类。

2. 创建训练数据:

   xt = tf.Variable(np.random.randint(2, 3, size=[1, 1]), dtype=tf.float32)
   print(xt)
   

   这里创建了一个1x1的张量，其值是2或3之间的随机整数。这代表了在时间t的输入数据。

   xt:  <tf.Variable 'Variable:0' shape=(1, 1) dtype=float32, numpy=array([[2.]], dtype=float32)>
   

3. 定义RNN单元:

   cell = SimpleRNNCell(units=1, activation=None, use_bias=True, kernel_initializer='ones', recurrent_initializer='ones',
                     bias_initializer=tf.keras.initializers.Constant(value=3))
   

   使用SimpleRNNCell创建了一个RNN单元。这个单元有以下特性：

   • 只有一个神经元（units=1）。
   • 不使用激活函数（activation=None）。
   • 使用偏置，并初始化为3（bias_initializer=tf.keras.initializers.Constant(value=3)）。
   • 输入权重和循环权重都初始化为1。
   • kernel_initializer='ones':
     • 这是一个初始化器，用于初始化RNN单元的权重（也称为内核权重）。
     • 'ones'表示所有的权重都被初始化为1。
     • 换句话说，当输入数据经过RNN单元时，它会与这些权重相乘，而这些权重的初始值都是1。
   • recurrent_initializer='ones':
     • 这是一个初始化器，用于初始化RNN单元的循环权重。
     • 在RNN中，当前时间步的隐藏状态是基于前一个时间步的隐藏状态计算的。这个计算涉及到的权重就是循环权重。
     • 'ones'表示所有的循环权重都被初始化为1。
   • bias_initializer=tf.keras.initializers.Constant(value=3):
     • 这是一个初始化器，用于初始化RNN单元的偏置。
     • tf.keras.initializers.Constant(value=3)表示所有的偏置被初始化为常数3。
   • 简而言之，这些参数(kernel_initializer、recurrent_initializer、bias_initializer)确定了RNN单元在开始训练之前的权重和偏置的初始状态。这些初始值在训练过程中会被更新。选择合适的初始化器对于模型的收敛速度和性能至关重要，尽管在这个特定的例子中，这些权重和偏置被赋予了特定的常数值。

   cell.build(input_shape=[None, 1])这行代码是用来告诉RNN单元输入的形状，这样它就可以创建相应的权重和偏置张量。

   cell.build(input_shape=[None, 1])
   

   • 在TensorFlow和Keras中，input_shape是用来指定输入数据的维度的参数。具体到这里的input_shape=[None, 1]，我们可以解读它为：
   • [None, 1]：这是一个形状列表，其中有两个维度。
   • None：
     • 第一个维度通常表示批处理的大小（即在一个批次中的样本数）。在许多情况下，为了使模型更加灵活，我们可能不想在定义模型时硬编码一个固定的批处理大小。
     • 使用None作为批处理的大小意味着模型可以接受任何大小的批次。
     • 例如，你可以选择在训练时使用64的批大小，在评估或推理时使用1的批大小，或者使用其他任何数字。
   • 1：
     • 第二个维度是数据的特征维度。
     • 在这里，它指的是输入数据的每个样本有1个特征。
   • 综上所述，input_shape=[None, 1]表示模型可以接受一个二维的输入，其中第一个维度是任意大小的批处理，第二个维度是1个特征。

4. 显示RNN单元的变量和配置:
   代码打印出RNN单元的所有变量（如权重和偏置）以及配置。

   print('variables', cell.variables)
   print('config:', cell.get_config())
   

   这两行代码是关于打印关于cell（这里的cell是一个SimpleRNNCell的实例）的相关信息。

   • print('variables', cell.variables):

     • cell.variables: 这是一个属性，它返回一个列表，该列表包含cell中的所有可训练变量（权重和偏置）。在RNN cell的上下文中，这通常包括核权重、递归权重以及偏置。
     • print(...): 打印变量列表，以便于你查看和调试。通常这可以帮助你理解RNN cell中的权重如何初始化（例如，这里你已经明确地设置了初始化器）。

   • print('config:', cell.get_config()):

     • cell.get_config(): 这是一个方法，它返回一个字典，该字典包含cell的配置。这通常包括其初始化时使用的参数（例如units的数量、激活函数、是否使用偏置等）。这允许你查看或者后续再次使用这些配置信息，例如，如果你想保存模型的结构并稍后再次创建它。
     • print(...): 打印配置字典，使你能够查看cell的配置。

   • 总之，这两行代码提供了关于SimpleRNNCell实例（cell）的详细信息，包括它的权重（和它们的初始值）以及它的配置。这是非常有用的，特别是当你在调试或了解你的模型结构时。

     variables:  [<tf.Variable 'kernel:0' shape=(1, 1) dtype=float32, numpy=array([[1.]], dtype=float32)>, <tf.Variable 'recurrent_kernel:0' shape=(1, 1) dtype=float32, numpy=array([[1.]], dtype=float32)>, <tf.Variable 'bias:0' shape=(1,) dtype=float32, numpy=array([3.], dtype=float32)>]
     
     config:  {'name': 'simple_rnn_cell', 'trainable': True, 'dtype': 'float32', 'units': 1, 'activation': 'linear', 'use_bias': True, 'kernel_initializer': {'class_name': 'Ones', 'config': {}}, 'recurrent_initializer': {'class_name': 'Ones', 'config': {}}, 'bias_initializer': {'class_name': 'Constant', 'config': {'value': 3}}, 'kernel_regularizer': None, 'recurrent_regularizer': None, 'bias_regularizer': None, 'kernel_constraint': None, 'recurrent_constraint': None, 'bias_constraint': None, 'dropout': 0.0, 'recurrent_dropout': 0.0}
     

5. 计算tanh的值:

   print(tf.nn.tanh(tf.constant([-float("inf"), 6, float("inf")])))
   

   这行代码计算了tanh函数在-∞、6和∞三个点的值。tanh是RNN和其他神经网络中常用的激活函数。

6. 第t时刻的计算:
   这部分代码首先定义了上一个时间步的隐藏状态ht_1，然后使用cell(xt, ht_1)调用RNN单元来获取当前时间步的输出和隐藏状态。

   ht_1 = tf.ones([1, 1])
   out, ht = cell(xt, ht_1)  # LSTM
   print(out, ht[0])
   print(id(out), id(ht[0]))
   

7. 第t+1时刻的计算:
   同样地，这部分代码定义了一个新的RNN单元cell2，然后用新的输入xt2和上一个时间步的隐藏状态ht来获取下一个时间步的输出和隐藏状态。

   cell2 = SimpleRNNCell(units=1, activation=None, use_bias=True, kernel_initializer='ones',
                         recurrent_initializer=tf.keras.initializers.Constant(value=3), bias_initializer='ones')
   xt2 = tf.Variable(np.random.randint(3, 4, size=[1, 1]), dtype=tf.float32)
   out2, ht2 = cell2(xt2, ht)
   

8. 输出与隐藏状态的关系:

   print(id(out), id(ht[0]))
   

   这部分代码展示了在简单的RNN中，输出状态out和隐藏状态ht是相同的对象。

最后，代码的主要目的是演示如何使用SimpleRNNCell在给定的输入和隐藏状态上进行计算，并展示其结果。

知识点介绍

tf.Variable 是 TensorFlow（TF）中的一个核心概念，它用于表示在 TF 计算过程中可能会发生变化的数据。在 TF 中，计算通常是通过计算图（graph）来定义的，而 tf.Variable 允许我们将可以变化的状态添加到这些计算图中。

以下是 tf.Variable 的一些关键点：

1. 可变性：与 TensorFlow 的常量（tf.constant）不同，tf.Variable 表示的值是可变的。这意味着在训练过程中，可以更新、修改或赋予其新值。

2. 用途：tf.Variable 通常用于表示模型的参数，例如神经网络中的权重和偏置。

3. 初始化：当创建一个 tf.Variable 时，你必须为它提供一个初始值。这个初始值可以是一个固定值，也可以是其他任何 TensorFlow 计算的结果。

4. 赋值：使用 assign、assign_add 等方法，你可以修改 tf.Variable 的值。

5. 存储和恢复：tf.Variable 的值可以被存储到磁盘并在之后恢复，这是通过 TensorFlow 的保存和恢复机制实现的，这样可以方便地保存和加载模型。

示例：

import tensorflow as tf

# 创建一个初始化为1的变量
v = tf.Variable(1.0)

# 使用变量
result = v * 2.0

# 修改变量的值
v.assign(2.0)  # 现在 v 的值为 2.0

总之，tf.Variable 是 TensorFlow 中表示可变状态的主要方式，尤其是在模型训练中，它用于存储和更新模型的参数。