目录
1. 实现SRN
SRN：简单循环神经网络（即只有一个隐藏层的神经网络）
（1）使用Numpy
# 1. 使用Numpy
import numpy as np
print('使用Numpy:')
inputs = np.array([[1., 1.],
[1., 1.],
[2., 2.]]) # 初始化输入序列
print('inputs is ', inputs)
state_t = np.zeros(2, ) # 初始化存储器
print('state_t is ', state_t)
w1, w2, w3, w4, w5, w6, w7, w8 = 1., 1., 1., 1., 1., 1., 1., 1.
U1, U2, U3, U4 = 1., 1., 1., 1.
print('--------------------------------------')
for input_t in inputs:
print('inputs is ', input_t)
print('state_t is ', state_t)
in_h1 = np.dot([w1, w3], input_t) + np.dot([U2, U4], state_t)
in_h2 = np.dot([w2, w4], input_t) + np.dot([U1, U3], state_t)
state_t = in_h1, in_h2
output_y1 = np.dot([w5, w7], [in_h1, in_h2])
output_y2 = np.dot([w6, w8], [in_h1, in_h2])
print('output_y is ', output_y1, output_y2)
print('---------------')计算结果：
将输入顺序调换为：
inputs = np.array([[1., 1.],
[2., 2.],
[1., 1.]]) # 初始化输入序列计算结果为：
从实验看可以看出，对于循环神经网络来说，输入的顺序会影响训练结果。
（2）在1的基础上，增加激活函数tanh
# 2. 在1的基础上，增加激活函数tanh
import numpy as np
print('在1的基础上，增加激活函数tanh :')
inputs = np.array([[1., 1.],
[1., 1.],
[2., 2.]]) # 初始化输入序列
print('inputs is ', inputs)
state_t = np.zeros(2, ) # 初始化存储器
print('state_t is ', state_t)
w1, w2, w3, w4, w5, w6, w7, w8 = 1., 1., 1., 1., 1., 1., 1., 1.
U1, U2, U3, U4 = 1., 1., 1., 1.
print('--------------------------------------')
for input_t in inputs:
print('inputs is ', input_t)
print('state_t is ', state_t)
in_h1 = np.tanh(np.dot([w1, w3], input_t) + np.dot([U2, U4], state_t))
in_h2 = np.tanh(np.dot([w2, w4], input_t) + np.dot([U1, U3], state_t))
state_t = in_h1, in_h2
output_y1 = np.dot([w5, w7], [in_h1, in_h2])
output_y2 = np.dot([w6, w8], [in_h1, in_h2])
print('output_y is ', output_y1, output_y2)
print('---------------')
计算结果：
（3）使用nn.RNNCell实现
# RNNCell
cell = torch.nn.RNNCell(input_size=input_size, hidden_size=hidden_size)
for name, param in cell.named_parameters():
if name.startswith("weight"):
torch.nn.init.ones_(param)
else:
torch.nn.init.zeros_(param)
# 线性层
liner = torch.nn.Linear(hidden_size, output_size)
liner.weight.data = torch.Tensor([[1, 1], [1, 1]])
liner.bias.data = torch.Tensor([0.0])
seq = torch.Tensor([[[1, 1]],
[[1, 1]],
[[2, 2]]])
hidden = torch.zeros(batch_size, hidden_size)
output = torch.zeros(batch_size, output_size)
for idx, input in enumerate(seq):
print('=' * 20, idx, '=' * 20)
print('Input :', input)
print('hidden :', hidden)
hidden = cell(input, hidden)
output = liner(hidden)
print('output :', output)
计算结果：
（4）使用nn.RNN实现
# 4. 使用nn.RNN实现
import torch
print('使用nn.RNN实现 :')
batch_size = 1
seq_len = 3
input_size = 2
hidden_size = 2
num_layers = 1
output_size = 2
cell = torch.nn.RNN(input_size=input_size, hidden_size=hidden_size, num_layers=num_layers)
for name, param in cell.named_parameters(): # 初始化参数
if name.startswith("weight"):
torch.nn.init.ones_(param)
else:
torch.nn.init.zeros_(param)
# 线性层
liner = torch.nn.Linear(hidden_size, output_size)
liner.weight.data = torch.Tensor([[1, 1], [1, 1]])
liner.bias.data = torch.Tensor([0.0])
inputs = torch.Tensor([[[1, 1]],
[[1, 1]],
[[2, 2]]])
hidden = torch.zeros(num_layers, batch_size, hidden_size)
out, hidden = cell(inputs, hidden)
print('Input :', inputs[0])
print('hidden:', 0, 0)
print('Output:', liner(out[0]))
print('--------------------------------------')
print('Input :', inputs[1])
print('hidden:', out[0])
print('Output:', liner(out[1]))
print('--------------------------------------')
print('Input :', inputs[2])
print('hidden:', out[1])
print('Output:', liner(out[2]))
计算结果：
2. 实现“序列到序列”
观看视频，学习RNN原理，并实现视频P12中的教学案例
（1）torch.RNNCell
seqLen:每个句子所含词的个数
batchSize：每次处理词的批数
InputSize：每个词嵌入向量的位数
dataset: (seq_size, batch_size, input_size)——>整个数据集维度
input: (batch_size, input_size)——>每个时间步处理的输入（input in dataset）
hidden: (batch_size, output_size)——>每次处理的隐层(即为output)
# RNNCell的使用
import torch
print('RNNCell的使用')
batch_size = 1
seq_len = 3
input_size = 4
hidden_size = 2
cell = torch.nn.RNNCell(input_size=input_size, hidden_size=hidden_size)
dataset = torch.randn(seq_len, batch_size, input_size)
hidden = torch.zeros(batch_size, hidden_size)
for idx,input in enumerate(dataset):
print('='*20,idx,'='*20)
print('input size:',input.shape)
hidden = cell(input,hidden)
print('outputs size:',hidden.shape)
print(hidden)
输出结果：
（2）torch.RNN的使用
输入dataset：整个序列（seq_size, batch_size, input_size） 取每一个词input(batch_size, input_size)
隐层：(num_layers, batch_size, hidden_size)
输出（有两个）: output:h1~hn (seq_size, batch_size, hidden_size)
hidden: hn (num_layers, batch_size, hidden_size)
import torch
print('RNN的使用')
batch_size = 1
seq_len = 3
input_size = 4
hidden_size = 2
num_layers = 1
cell = torch.nn.RNN(input_size=input_size, hidden_size=hidden_size, num_layers=num_layers, batch_first=True)
inputs = torch.randn(batch_size, seq_len, input_size)
hidden = torch.zeros(num_layers, batch_size, hidden_size)
out, hidden = cell(inputs, hidden)
print('Output size:', out.shape)
print('Output:', out)
print('Hidden size:', hidden.shape)
print('Hidden:', hidden)运行结果：
1.RNN与RNNCell相比多了一个num_layers，同时不用自己写循环
2.输出output是历史hidden记录， hidden为最后一个隐层输出
3.可以指定batch_first参数，使得以(batch_size, seq_len, input_size)进行输入
（3）RNNCell的应用
训练结果：
import torch
print('基于RNNCell处理seq->seq任务')
# 1.参数设置
input_size = 4
hidden_size = 4 # 输出维度要与输入一致，才能在同一个表上查询
batch_size = 1
# 2.数据准备
index2char = ['e', 'h', 'l', 'o'] # 字典
x_data = [1, 0, 2, 2, 3] # hello
y_data = [3, 1, 2, 3, 2] # 标签：ohlol
# one-hot 查找表(维度为字典中词的个数)
one_hot_lookup = [[1, 0, 0, 0], # 用来将x_data转换为one-hot向量的参照表
[0, 1, 0, 0],
[0, 0, 1, 0],
[0, 0, 0, 1]]
x_one_hot = [one_hot_lookup[x] for x in x_data] # 转化为独热向量,维度(seq, batch, input)
dataset = torch.Tensor(x_one_hot).view(-1, batch_size, input_size) # 转tensor后整理成(𝒔𝒆𝒒𝑳𝒆𝒏,𝒃𝒂𝒕𝒄𝒉𝑺𝒊𝒛𝒆,𝒊𝒏𝒑𝒖𝒕𝑺𝒊𝒛𝒆)
labels = torch.LongTensor(y_data).view(-1, 1) # 每层对应一个类(seqLen,𝟏)计算交叉熵损失时标签不需要我们进行one-hot编码，其内部会自动进行处理
# 3.模型构建
class Model(torch.nn.Module):
def __init__(self, input_size, hidden_size, batch_size): # 需要指定输入，隐层，批
super(Model, self).__init__()
self.batch_size = batch_size
self.input_size = input_size
self.hidden_size = hidden_size
self.rnncell = torch.nn.RNNCell(input_size=self.input_size, hidden_size=hidden_size)
def forward(self, input, hidden):
hidden =self.rnncell(input, hidden)
return hidden
def init_hidden(self): # 只有在初始化隐藏层需要batch_size
return torch.zeros(self.batch_size, self.hidden_size)
net = Model(input_size, hidden_size, batch_size)
# 4.损失和优化器
criterion = torch.nn.CrossEntropyLoss()
optimizer = torch.optim.Adam(net.parameters(), lr=0.1)
# 5.训练
for epoch in range(15):
loss = 0
optimizer.zero_grad()
hidden = net.init_hidden() # 初始化h0
print('Predicted string:', end='')
for input, label in zip(dataset, labels):
hidden = net(input, hidden)
loss += criterion(hidden, label) # 这里要求总损失进行梯度下降（构建计算图），因此不能取item()
_, idx = hidden.max(dim=1) # 取出概率最大的索引
print(index2char[idx.item()], end='')
loss.backward()
optimizer.step()
print(',Epoch [%d / 15] loss:%.4f' % (epoch+1, loss.item()))
对于输入序列进行独热编码，构建RNNCell，对每次输入的字符依次进入循环，进行训练。
（4）RNN的应用
import torch
print('基于RNN处理seq->seq任务')
# 1.参数设置
seq_len = 5
input_size = 4
hidden_size = 4
batch_size = 1
# 2.数据准备
index2char = ['e', 'h', 'l', 'o']
x_data = [1, 0, 2, 2, 3]
y_data = [3, 1, 2, 3, 2]
one_hot_lookup = [[1, 0, 0, 0],
[0, 1, 0, 0],
[0, 0, 1, 0],
[0, 0, 0, 1]]
x_one_hot = [one_hot_lookup[x] for x in x_data]
inputs = torch.Tensor(x_one_hot).view(-1, batch_size, input_size)
labels = torch.LongTensor(y_data)
# 3.模型构建
class Model(torch.nn.Module):
def __init__(self, input_size, hidden_size, batch_size, num_layers=1): # 需要指定输入，隐层，批
super(Model, self).__init__()
self.batch_size = batch_size
self.input_size = input_size
self.hidden_size = hidden_size
self.num_layers = num_layers
self.rnn = torch.nn.RNN(input_size=self.input_size, hidden_size=self.hidden_size, num_layers=self.num_layers)
def forward(self, input):
hidden = torch.zeros(self.num_layers,
self.batch_size,
self.hidden_size)
out, _ = self.rnn(input, hidden) # out: tensor of shape (seq_len, batch, hidden_size)
return out.view(-1, self.hidden_size) # 将输出的三维张量转换为二维张量,(𝒔𝒆𝒒𝑳𝒆𝒏×𝒃𝒂𝒕𝒄𝒉𝑺𝒊𝒛𝒆,𝒉𝒊𝒅𝒅𝒆𝒏𝑺𝒊𝒛𝒆)
net = Model(input_size, hidden_size, batch_size)
# 4.损失和优化器
criterion = torch.nn.CrossEntropyLoss()
optimizer = torch.optim.Adam(net.parameters(), lr=0.5)
# 5.训练
for epoch in range(15):
optimizer.zero_grad()
outputs = net(inputs)
print(outputs.shape)
loss = criterion(outputs, labels)
loss.backward()
optimizer.step()
_, idx = outputs.max(dim=1)
idx = idx.data.numpy()
print('Predicted string: ', ''.join([index2char[x] for x in idx]), end='')
print(',Epoch [%d / 15] loss:%.4f' % (epoch+1, loss.item()))
基于RNN处理seq->seq任务
torch.Size([5, 4])
Predicted string: eleel,Epoch [1 / 15] loss:1.5917
torch.Size([5, 4])
Predicted string: ollll,Epoch [2 / 15] loss:1.1418
torch.Size([5, 4])
Predicted string: oooll,Epoch [3 / 15] loss:0.9855
torch.Size([5, 4])
Predicted string: oooll,Epoch [4 / 15] loss:0.8665
torch.Size([5, 4])
Predicted string: oooll,Epoch [5 / 15] loss:0.8257
torch.Size([5, 4])
Predicted string: ooool,Epoch [6 / 15] loss:0.7911
torch.Size([5, 4])
Predicted string: ooool,Epoch [7 / 15] loss:0.7601
torch.Size([5, 4])
Predicted string: oolll,Epoch [8 / 15] loss:0.7500
torch.Size([5, 4])
Predicted string: oolol,Epoch [9 / 15] loss:0.7438
torch.Size([5, 4])
Predicted string: ohlol,Epoch [10 / 15] loss:0.7402
torch.Size([5, 4])
Predicted string: ohlol,Epoch [11 / 15] loss:0.7340
torch.Size([5, 4])
Predicted string: ohool,Epoch [12 / 15] loss:0.6760
torch.Size([5, 4])
Predicted string: ohool,Epoch [13 / 15] loss:0.5574
torch.Size([5, 4])
Predicted string: ohool,Epoch [14 / 15] loss:0.5441
torch.Size([5, 4])
Predicted string: ohool,Epoch [15 / 15] loss:0.5284从结果来看，损失比nn.RNNCell要低，但是预测结果到后来却开始错误了，‘ohlol’预测成了‘ohool’，可能是过拟合。
输入：seq_size * batch_size * input_size
输出：seq_size * batch_size * hidden_size， 利用view变成（seq_size * batch_size, hidden_size）作为一个矩阵
labels: seq_size * batch_size * 1 (序列中每一个样本的分类)
最后的out和labels是针对整个seq进行比较计算损失的
使用的独热向量缺点：维度高、向量过于稀疏、是硬编码。
（5） 含嵌入层的RNN网络应用
在循环神经网络中，Embidding Layer用于将输入的离散型数据（如单词、字符等）转换为连续型的表示，以便于神经网络的处理。一文详解 Word2vec 之 Skip-Gram 模型（结构篇） | 雷峰网 (leiphone.com)
在之前的模型中，我们的输入被独热编码以后为一个稀疏矩阵，如果我们将一个1 x 10000的向量和10000 x 300的矩阵相乘，它会消耗相当大的计算资源，为了高效计算，在嵌入式的RNN网络中仅仅会选择矩阵中对应的向量中值为1的索引行（这个过程也被称为查表）。
例如上图：
上图中的矩阵运算：左边分别是1 x 5和5 x 3的矩阵，结果应该是1 x 3的矩阵，按照矩阵乘法的规则，结果的第一行第一列元素为0 x 17 + 0 x 23 + 0 x 4 + 1 x 10 + 0 x 11 = 10，同理可得其余两个元素为12，19。如果10000个数据的矩阵采用这样的计算方式是十分低效的。
为了有效地进行计算，这种稀疏状态下不会进行矩阵乘法计算，可以看到矩阵的计算的结果实际上是矩阵对应的向量中值为1的索引，上面的例子中，左边向量中取值为1对应权重矩阵下标为3的一行，那么计算结果就是矩阵的第4行—— [10, 12, 19]，这样模型中的隐层权重矩阵便成了一个”查找表“（lookup table），进行矩阵计算时，直接去查输入向量中取值为1的维度下对应的那些权重值。隐层的输出就是每个输入单词的“嵌入词向量”。
import torch
print('含嵌入层的RNN网络')
# 1、确定参数
num_class = 4
input_size = 4
hidden_size = 8
embedding_size = 10
num_layers = 2
batch_size = 1
seq_len = 5
# 2、准备数据
index2char = ['e', 'h', 'l', 'o'] # 字典
x_data = [[1, 0, 2, 2, 3]] # (batch_size, seq_len) 用字典中的索引（数字）表示来表示hello
y_data = [3, 1, 2, 3, 2] # (batch_size * seq_len) 标签：ohlol
inputs = torch.LongTensor(x_data) # (batch_size, seq_len)
labels = torch.LongTensor(y_data) # (batch_size * seq_len)
# 3、构建模型
class Model(torch.nn.Module):
def __init__(self):
super(Model, self).__init__()
self.emb = torch.nn.Embedding(num_class, embedding_size)
self.rnn = torch.nn.RNN(input_size=embedding_size, hidden_size=hidden_size, num_layers=num_layers,
batch_first=True)
self.fc = torch.nn.Linear(hidden_size, num_class)
def forward(self, x):
hidden = torch.zeros(num_layers, x.size(0), hidden_size) # (num_layers, batch_size, hidden_size)
x = self.emb(x) # 返回(batch_size, seq_len, embedding_size)
x, _ = self.rnn(x, hidden) # 返回(batch_size, seq_len, hidden_size)
x = self.fc(x) # 返回(batch_size, seq_len, num_class)
return x.view(-1, num_class) # (batch_size * seq_len, num_class)
net = Model()
# 4、损失和优化器
criterion = torch.nn.CrossEntropyLoss()
optimizer = torch.optim.Adam(net.parameters(), lr=0.05) # Adam优化器
# 5、训练
for epoch in range(15):
optimizer.zero_grad()
outputs = net(inputs)
loss = criterion(outputs, labels)
loss.backward()
optimizer.step()
_, idx = outputs.max(dim=1)
idx = idx.data.numpy()
print('Predicted string: ', ''.join([index2char[x] for x in idx]), end='')
print(', Epoch [%d/15] loss: %.4f' % (epoch + 1, loss.item()))
从结果来看，加入嵌入层的网络训练结果是最好的，效率高、损失低，预测结果正确率高。
3. “编码器-解码器”的简单实现
编码器-解码器是一种深度学习架构，通常用于处理序列到序列（Seq2Seq）的任务，如机器翻译、文本摘要、阅读理解、语音识别等。它由两部分组成：编码器和解码器。
- 编码器部分使用卷积神经网络（CNN）来将输入序列编码成一个固定长度的向量表示。这个向量包含了输入序列的重要特征信息。
- 解码器部分使用循环神经网络（RNN）来将编码器输出的向量解码成目标序列。解码器通过学习来生成与目标序列相匹配的输出。
# code by Tae Hwan Jung(Jeff Jung) @graykode, modify by wmathor
import torch
import numpy as np
import torch.nn as nn
import torch.utils.data as Data
device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
# S: Symbol that shows starting of decoding input
# E: Symbol that shows starting of decoding output
# ?: Symbol that will fill in blank sequence if current batch data size is short than n_step
letter = [c for c in 'SE?abcdefghijklmnopqrstuvwxyz']
letter2idx = {n: i for i, n in enumerate(letter)}
seq_data = [['man', 'women'], ['black', 'white'], ['king', 'queen'], ['girl', 'boy'], ['up', 'down'], ['high', 'low']]
# Seq2Seq Parameter
n_step = max([max(len(i), len(j)) for i, j in seq_data]) # max_len(=5)
n_hidden = 128
n_class = len(letter2idx) # classfication problem
batch_size = 3
def make_data(seq_data):
enc_input_all, dec_input_all, dec_output_all = [], [], []
for seq in seq_data:
for i in range(2):
seq[i] = seq[i] + '?' * (n_step - len(seq[i])) # 'man??', 'women'
enc_input = [letter2idx[n] for n in (seq[0] + 'E')] # ['m', 'a', 'n', '?', '?', 'E']
dec_input = [letter2idx[n] for n in ('S' + seq[1])] # ['S', 'w', 'o', 'm', 'e', 'n']
dec_output = [letter2idx[n] for n in (seq[1] + 'E')] # ['w', 'o', 'm', 'e', 'n', 'E']
enc_input_all.append(np.eye(n_class)[enc_input])
dec_input_all.append(np.eye(n_class)[dec_input])
dec_output_all.append(dec_output) # not one-hot
# make tensor
return torch.Tensor(enc_input_all), torch.Tensor(dec_input_all), torch.LongTensor(dec_output_all)
'''
enc_input_all: [6, n_step+1 (because of 'E'), n_class]
dec_input_all: [6, n_step+1 (because of 'S'), n_class]
dec_output_all: [6, n_step+1 (because of 'E')]
'''
enc_input_all, dec_input_all, dec_output_all = make_data(seq_data)
class TranslateDataSet(Data.Dataset):
def __init__(self, enc_input_all, dec_input_all, dec_output_all):
self.enc_input_all = enc_input_all
self.dec_input_all = dec_input_all
self.dec_output_all = dec_output_all
def __len__(self): # return dataset size
return len(self.enc_input_all)
def __getitem__(self, idx):
return self.enc_input_all[idx], self.dec_input_all[idx], self.dec_output_all[idx]
loader = Data.DataLoader(TranslateDataSet(enc_input_all, dec_input_all, dec_output_all), batch_size, True)
# Model
class Seq2Seq(nn.Module):
def __init__(self):
super(Seq2Seq, self).__init__()
self.encoder = nn.RNN(input_size=n_class, hidden_size=n_hidden, dropout=0.5) # encoder
self.decoder = nn.RNN(input_size=n_class, hidden_size=n_hidden, dropout=0.5) # decoder
self.fc = nn.Linear(n_hidden, n_class)
def forward(self, enc_input, enc_hidden, dec_input):
# enc_input(=input_batch): [batch_size, n_step+1, n_class]
# dec_inpu(=output_batch): [batch_size, n_step+1, n_class]
enc_input = enc_input.transpose(0, 1) # enc_input: [n_step+1, batch_size, n_class]
dec_input = dec_input.transpose(0, 1) # dec_input: [n_step+1, batch_size, n_class]
# h_t : [num_layers(=1) * num_directions(=1), batch_size, n_hidden]
_, h_t = self.encoder(enc_input, enc_hidden)
# outputs : [n_step+1, batch_size, num_directions(=1) * n_hidden(=128)]
outputs, _ = self.decoder(dec_input, h_t)
model = self.fc(outputs) # model : [n_step+1, batch_size, n_class]
return model
model = Seq2Seq().to(device)
criterion = nn.CrossEntropyLoss().to(device)
optimizer = torch.optim.Adam(model.parameters(), lr=0.001)
for epoch in range(5000):
for enc_input_batch, dec_input_batch, dec_output_batch in loader:
# make hidden shape [num_layers * num_directions, batch_size, n_hidden]
h_0 = torch.zeros(1, batch_size, n_hidden).to(device)
(enc_input_batch, dec_intput_batch, dec_output_batch) = (
enc_input_batch.to(device), dec_input_batch.to(device), dec_output_batch.to(device))
# enc_input_batch : [batch_size, n_step+1, n_class]
# dec_intput_batch : [batch_size, n_step+1, n_class]
# dec_output_batch : [batch_size, n_step+1], not one-hot
pred = model(enc_input_batch, h_0, dec_intput_batch)
# pred : [n_step+1, batch_size, n_class]
pred = pred.transpose(0, 1) # [batch_size, n_step+1(=6), n_class]
loss = 0
for i in range(len(dec_output_batch)):
# pred[i] : [n_step+1, n_class]
# dec_output_batch[i] : [n_step+1]
loss += criterion(pred[i], dec_output_batch[i])
if (epoch + 1) % 1000 == 0:
print('Epoch:', '%04d' % (epoch + 1), 'cost =', '{:.6f}'.format(loss))
optimizer.zero_grad()
loss.backward()
optimizer.step()
# Test
def translate(word):
enc_input, dec_input, _ = make_data([[word, '?' * n_step]])
enc_input, dec_input = enc_input.to(device), dec_input.to(device)
# make hidden shape [num_layers * num_directions, batch_size, n_hidden]
hidden = torch.zeros(1, 1, n_hidden).to(device)
output = model(enc_input, hidden, dec_input)
# output : [n_step+1, batch_size, n_class]
predict = output.data.max(2, keepdim=True)[1] # select n_class dimension
decoded = [letter[i] for i in predict]
translated = ''.join(decoded[:decoded.index('E')])
return translated.replace('?', '')
print('test')
print('man ->', translate('man'))
print('mans ->', translate('mans'))
print('king ->', translate('king'))
print('black ->', translate('black'))
print('up ->', translate('up'))
4.简单总结nn.RNNCell、nn.RNN
- nn.RNNCell是一个单独的RNN单元，可以用于构建自定义的RNN模型，它只能处理一个时间点的输入。如图，就是一个RNNCell的结构：
- nn.RNN是一个多层RNN模型的封装，可以处理整个序列的输入，它包含多个RNNCell层，每个层的输出都作为下一层的输入。 如图所示，若干RNN Cell组成RNN：
两者实际操作的区别：
1.RNNCell只是RNN的一个单元，用于处理一个时间步的输入数据，需要在循环中手动处理时间步。
2.完整的RNN模型，它内部包含了循环结构，可以一次性处理整个序列的输入，从而避免了手动处理时间步的繁琐过程。
5.谈一谈对“序列”、“序列到序列”的理解
在循环神经网络中，序列是指：一系列按照特定顺序排列的数据。和之前的全连接神经网络和卷积神经网络最大的不同也在这里：输入是按照特定顺序的，这意味着当改变输入顺序也会改变输出结果。
序列到序列：序列到序列分为同步序列到序列和异步序列到序列。
- 同步序列到序列为每一时刻都有输入和输出，输入序列和输出序列的长度相同。
- 异步序列到序列为输入序列和输出序列不需要严格对应关系，也不需要保持相同长度。在循环神经网络中，异步序列到序列并不是严格的对应关系，只是给定一个序列生成一个序列，输入序列和输出序列的长度通常是灵活的，并不一定要求相同的个数。可以是：N vs N，N vs 1、1 vs N、N vs M。这种模型结构可以处理不定长的输入和输出序列，因此适用于许多自然语言处理任务。
6.总结本周理论课和作业，写心得体会
在本周的课程中，主要学习了一些循环神经网络的基础信息：
- 循环神经网络能够“有记忆”的原理：是通过在训练过程中使用带有反馈的神经元，在训练过程中，循环神经网络会根据当前时间的输入和上一个时间的输出进行更新，然后传递到下一个时间。
- 最简单的循环神经网络（如图）SRN只有一个隐藏层：它主要是在隐藏层的输入加上了上一次计算的结果，在作业中对SRN的训练过程进行了实验。
- 还有nn.RNNCell和nn.RNN的理解：nn.RNNCell是一个单独的RNN单元，可以用于构建自定义的RNN模型，它只能处理一个时间点的输入。nn.RNN是一个多层RNN模型的封装，可以处理整个序列的输入，它包含多个RNNCell层。
- RNN的应用：实践了使用RNN进行序列到序列的转换，对pytorch中的RNN函数参数进行了详细了解，通过学习参数如何变换对训练过程更加深入理解。学习了嵌入式RNN模型的结构和原理，将汉字进行独热编码，词向量，子向量等，真正将学习的理论知识对应到实践中。
- 序列到分类、序列到序列：序列到分类是输入一个序列得到对应的一个类别，属于N VS 1(类别)，例如输入一句话，输出它对应的情感等。序列到序列分为同步序列到序列和异步序列到序列。同步序列到序列为每一时刻都有输入和输出，输入序列和输出序列的长度相同。异步序列到序列为输入序列和输出序列不需要严格对应关系，也不需要保持相同长度。
- 根据异步的序列到序列学习了编码器-解码器（Encoder-Decoder）模型：它主要偏向应用，常用于机器翻译、对话系统、文本摘要等任务，它能够处理不定长的输入和输出序列，并且能够捕捉输入序列的语义信息，然后根据上下文向量生成相应的输出序列。
完全图解RNN、RNN变体、Seq2Seq、Attention机制
扫一扫
2663
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
