深度学习实战笔记3循环神经网络实现

青椒大仙KI11

于 2024-07-28 20:11:44 发布

阅读量411

点赞数 18

文章标签：深度学习笔记 rnn

本文链接：https://blog.csdn.net/yyyy2711/article/details/140755239

版权

我们要训练一个基于循环神经网络的字符级语言模型，根据用户提供的文本的前缀生成后续文本。

import math
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)

设置参数:
- batch_size: 设置了每个小批量（batch）中的样本数量为32。
- num_steps: 设置了序列长度为35。在文本数据中，这通常表示每个序列包含35个连续的词元（token）。
加载数据:
- train_iter: 这是通过调用d2l.load_data_time_machine函数并传入batch_size和num_steps参数得到的迭代器。这个迭代器用于在训练过程中提供批量数据。
- vocab: 这是词汇表对象，它包含了数据集中所有词元的索引映射。

[独热编码]

每个词元都表示为一个数字索引，将这些索引直接输入神经网络可能会使学习变得困难。我们通常将每个词元表示为更具表现力的特征向量。最简单的表示称为独热编码（one-hot encoding）

简言之，将每个索引映射为相互不同的单位向量：假设词表中不同词元的数目为N（即len(vocab)），词元索引的范围为0到N−1。如果词元的索引是整数𝑖，那么我们将创建一个长度为𝑁的全0向量，并将第𝑖处的元素设置为1。此向量是原始词元的一个独热向量。索引为0和22的独热向量如下所示：

F.one_hot(torch.tensor([0, 2]), len(vocab))

我们每次采样的(小批量数据形状是二维张量：（批量大小，时间步数）。) one_hot函数将这样一个小批量数据转换成三维张量，张量的最后一个维度等于词表大小（len(vocab)）。我们经常转换输入的维度，以便获得形状为（时间步数，批量大小，词表大小）的输出。这将使我们能够更方便地通过最外层的维度，一步一步地更新小批量数据的隐状态。

X = torch.arange(10).reshape((2, 5))
F.one_hot(X.T, 28).shape

初始化模型参数¶

接下来，我们[初始化循环神经网络模型的模型参数]。隐藏单元数num_hiddens是一个可调的超参数。当训练语言模型时，输入和输出来自相同的词表。因此，它们具有相同的维度，即词表的大小。

def get_params(vocab_size, num_hiddens, device):
    num_inputs = num_outputs = vocab_size

    def normal(shape):
        return torch.randn(size=shape, device=device) * 0.01

    # 隐藏层参数
    W_xh = normal((num_inputs, num_hiddens))
    W_hh = normal((num_hiddens, num_hiddens))
    b_h = torch.zeros(num_hiddens, device=device)
    # 输出层参数
    W_hq = normal((num_hiddens, num_outputs))
    b_q = torch.zeros(num_outputs, device=device)
    # 附加梯度
    params = [W_xh, W_hh, b_h, W_hq, b_q]
    for param in params:
        param.requires_grad_(True)
    return params

参数定义:

vocab_size: 词汇表的大小，即不同词元的数量。
num_hiddens: 隐藏层中隐藏单元的数量。
device: 指定参数应该在哪个设备上（例如CPU或GPU）。

辅助函数:

normal(shape): 这是一个局部函数，用于初始化参数。它生成一个形状为 shape 的张量，其元素是从标准正态分布中随机采样的，然后乘以一个小的缩放因子（0.01）。这有助于在训练开始时避免梯度消失或爆炸的问题。

隐藏层参数:

W_xh: 输入到隐藏层的权重矩阵，其形状为 (num_inputs, num_hiddens)。
W_hh: 隐藏层到隐藏层的权重矩阵，其形状为 (num_hiddens, num_hiddens)。
b_h: 隐藏层的偏置项，其形状为 (num_hiddens,)。

输出层参数:

W_hq: 隐藏层到输出层的权重矩阵，其形状为 (num_hiddens, num_outputs)。
b_q: 输出层的偏置项，其形状为 (num_outputs,)。

参数列表:

params: 将所有参数存储在一个列表中，以便在训练过程中一起处理。

梯度要求:

通过调用 param.requires_grad_(True)，确保每个参数在反向传播时会计算梯度。这对于训练过程中更新参数是必要的。

循环神经网络模型

为了定义循环神经网络模型，我们首先需要[一个init_rnn_state函数在初始化时返回隐状态]。这个函数的返回是一个张量，张量全用0填充，形状为（批量大小，隐藏单元数）。在后面的章节中我们将会遇到隐状态包含多个变量的情况，而使用元组可以更容易地处理些。

def init_rnn_state(batch_size, num_hiddens, device):
    return (torch.zeros((batch_size, num_hiddens), device=device), )

[下面的rnn函数定义了如何在一个时间步内计算隐状态和输出。] 循环神经网络模型通过inputs最外层的维度实现循环，以便逐时间步更新小批量数据的隐状态H。此外，这里使用tanh函数作为激活函数。如 :numref:sec_mlp所述，当元素在实数上满足均匀分布时，tanh函数的平均值为0。

def rnn(inputs, state, params):
    # inputs的形状：(时间步数量，批量大小，词表大小)
    W_xh, W_hh, b_h, W_hq, b_q = params
    H, = state
    outputs = []
    # X的形状：(批量大小，词表大小)
    for X in inputs:
        H = torch.tanh(torch.mm(X, W_xh) + torch.mm(H, W_hh) + b_h)
        Y = torch.mm(H, W_hq) + b_q
        outputs.append(Y)
    return torch.cat(outputs, dim=0), (H,)

定义了所有需要的函数之后，接下来我们[创建一个类来包装这些函数]，并存储从零开始实现的循环神经网络模型的参数。

class RNNModelScratch: #@save
    """从零开始实现的循环神经网络模型"""
    def __init__(self, vocab_size, num_hiddens, device,
                 get_params, init_state, forward_fn):
        self.vocab_size, self.num_hiddens = vocab_size, num_hiddens
        self.params = get_params(vocab_size, num_hiddens, device)
        self.init_state, self.forward_fn = init_state, forward_fn

    def __call__(self, X, state):
        X = F.one_hot(X.T, self.vocab_size).type(torch.float32)
        return self.forward_fn(X, state, self.params)

    def begin_state(self, batch_size, device):
        return self.init_state(batch_size, self.num_hiddens, device)

类定义:

class RNNModelScratch: 定义了一个名为 RNNModelScratch 的新类。

文档字符串:

"""从零开始实现的循环神经网络模型""": 提供了类的简要描述。

构造函数 (__init__):

vocab_size: 词汇表的大小。
num_hiddens: 隐藏层中的单元数。
device: 指定模型应该在哪个设备上运行（CPU或GPU）。
get_params: 一个函数，用于初始化模型参数。
init_state: 一个函数，用于初始化隐藏状态。
forward_fn: 一个函数，定义了模型的前向传播逻辑。

初始化参数:

self.vocab_size, self.num_hiddens: 类的属性，存储词汇表大小和隐藏层单元数。
self.params: 通过调用 get_params 函数初始化模型参数。
self.init_state 和 self.forward_fn: 分别存储初始化状态和前向传播逻辑的函数。

调用方法 (__call__):

这个方法允许类的实例像函数一样被调用。
X: 输入数据。
state: 初始隐藏状态。
F.one_hot(X.T, self.vocab_size): 使用 torch.nn.functional.one_hot 将输入数据 X 转换为one-hot编码格式。
type(torch.float32): 确保输入数据是浮点数格式。
self.forward_fn(X, state, self.params): 调用前向传播函数，传入one-hot编码的输入、初始状态和参数。

开始状态方法 (begin_state):

batch_size: 每个小批量中的样本数量。
device: 指定隐藏状态应该在哪个设备上。
调用 self.init_state 函数来初始化隐藏状态。

让我们[检查输出是否具有正确的形状]。例如，隐状态的维数是否保持不变。

num_hiddens = 512
net = RNNModelScratch(len(vocab), num_hiddens, d2l.try_gpu(), get_params,
                      init_rnn_state, rnn)
state = net.begin_state(X.shape[0], d2l.try_gpu())
Y, new_state = net(X.to(d2l.try_gpu()), state)
Y.shape, len(new_state), new_state[0].shape

预测

让我们[首先定义预测函数来生成prefix之后的新字符]，其中的prefix是一个用户提供的包含多个字符的字符串。在循环遍历prefix中的开始字符时，我们不断地将隐状态传递到下一个时间步，但是不生成任何输出。这被称为预热（warm-up）期，因为在此期间模型会自我更新（例如，更新隐状态），但不会进行预测。预热期结束后，隐状态的值通常比刚开始的初始值更适合预测，从而预测字符并输出它们。

def predict_ch8(prefix, num_preds, net, vocab, device):  #@save
    """在prefix后面生成新字符"""
    state = net.begin_state(batch_size=1, device=device)
    outputs = [vocab[prefix[0]]]
    get_input = lambda: torch.tensor([outputs[-1]], device=device).reshape((1, 1))
    for y in prefix[1:]:  # 预热期
        _, state = net(get_input(), state)
        outputs.append(vocab[y])
    for _ in range(num_preds):  # 预测num_preds步
        y, state = net(get_input(), state)
        outputs.append(int(y.argmax(dim=1).reshape(1)))
    return ''.join([vocab.idx_to_token[i] for i in outputs])

函数签名:

prefix: 输入的前缀字符串，用于预热神经网络。
num_preds: 要生成的预测字符的数量。
net: 神经网络模型，它应该有一个 begin_state 方法来初始化状态，并且能够接收输入并生成输出。
vocab: 词汇表，它是一个包含字符到索引映射的对象。
device: 指定模型应该在哪个设备上运行（CPU或GPU）。

初始化状态:

state = net.begin_state(batch_size=1, device=device): 初始化网络的状态。

处理前缀:

outputs: 用于存储预测过程中生成的字符索引。
get_input: 一个 lambda 函数，用于将 outputs 中的最后一个字符转换为模型的输入格式。
for y in prefix[1:]:: 循环遍历前缀中的每个字符（除了第一个字符），并将它们添加到 outputs 列表中。

预热期:

在这个循环中，模型接收前缀中的每个字符作为输入，并更新状态，但不生成新的预测字符。

预测新字符:

for _ in range(num_preds):: 循环 num_preds 次，每次生成一个新的预测字符。
y, state = net(get_input(), state): 使用模型和当前状态生成下一个字符的预测。
outputs.append(int(y.argmax(dim=1).reshape(1))): 将预测概率最高的字符索引添加到 outputs 列表中。

转换索引为字符:

最后，将 outputs 列表中的索引转换回字符，并使用 join 方法将它们连接成一个字符串。

返回结果:

现在我们可以测试predict_ch8函数。我们将前缀指定为time traveller ，并基于这个前缀生成10个后续字符。鉴于我们还没有训练网络，它会生成荒谬的预测结果。

predict_ch8('time traveller ', 10, net, vocab, d2l.try_gpu())

[梯度裁剪]

对于长度为𝑇的序列，我们在迭代中计算这𝑇个时间步上的梯度，将会在反向传播过程中产生长度为O(T)的矩阵乘法链。如 :numref:sec_numerical_stability所述，当𝑇较大时，它可能导致数值不稳定，例如可能导致梯度爆炸或梯度消失。因此，循环神经网络模型往往需要额外的方式来支持稳定训练。

一般来说，当解决优化问题时，我们对模型参数采用更新步骤。假定在向量形式的𝐱x中，或者在小批量数据的负梯度𝐠方向上。例如，使用𝜂>0作为学习率时，在一次迭代中，我们将𝐱更新为x−ηg。如果我们进一步假设目标函数𝑓表现良好，即函数𝑓在常数𝐿下是利普希茨连续的（Lipschitz continuous）。也就是说，对于任意x和y我们有：

|𝑓(𝐱)−𝑓(𝐲)|≤𝐿‖𝐱−𝐲‖

在这种情况下，我们可以安全地假设：如果我们通过𝜂𝐠更新参数向量，则

|𝑓(𝐱)−𝑓(𝐱−𝜂𝐠)|≤𝐿𝜂‖𝐠‖

这意味着我们不会观察到超过𝐿𝜂‖𝐠||的变化。这既是坏事也是好事。坏的方面，它限制了取得进展的速度；好的方面，它限制了事情变糟的程度，尤其当我们朝着错误的方向前进时。

有时梯度可能很大，从而优化算法可能无法收敛。我们可以通过降低𝜂的学习率来解决这个问题。但是如果我们很少得到大的梯度呢？在这种情况下，这种做法似乎毫无道理。一个流行的替代方案是通过将梯度𝐠投影回给定半径（例如𝜃）的球来裁剪梯度𝐠。如下式：

(

𝐠←min(1,𝜃‖𝐠‖)𝐠

)

通过这样做，我们知道梯度范数永远不会超过𝜃，并且更新后的梯度完全与𝐠的原始方向对齐。它还有一个值得拥有的副作用，即限制任何给定的小批量数据（以及其中任何给定的样本）对参数向量的影响，这赋予了模型一定程度的稳定性。梯度裁剪提供了一个快速修复梯度爆炸的方法，虽然它并不能完全解决问题，但它是众多有效的技术之一。

下面我们定义一个函数来裁剪模型的梯度，模型是从零开始实现的模型或由高级API构建的模型。我们在此计算了所有模型参数的梯度的范数。

def grad_clipping(net, theta):  #@save
    """裁剪梯度"""
    if isinstance(net, nn.Module):
        params = [p for p in net.parameters() if p.requires_grad]
    else:
        params = net.params
    norm = torch.sqrt(sum(torch.sum((p.grad ** 2)) for p in params))
    if norm > theta:
        for param in params:
            param.grad[:] *= theta / norm

函数签名:

net: 要进行梯度裁剪的神经网络模型。它可以是一个 nn.Module 的实例或者是一个自定义模型。
theta: 阈值，用于确定是否需要裁剪梯度。

参数检查:

if isinstance(net, nn.Module): 检查 net 是否是 PyTorch 的 nn.Module 类的实例。如果是，函数将使用 net.parameters() 方法获取模型的参数。
else: 如果 net 不是 nn.Module 的实例，假设它是一个自定义模型，并且有一个名为 params 的属性，其中包含了模型的所有参数。

梯度计算:

norm = torch.sqrt(sum(torch.sum((p.grad ** 2)) for p in params)): 计算所有参数梯度的平方和的平方根，得到梯度的 L2 范数。

梯度裁剪:

if norm > theta: 如果梯度的 L2 范数大于阈值 theta，则执行梯度裁剪。
for param in params: 遍历所有参数。
param.grad[:] *= theta / norm: 将每个参数的梯度乘以 theta / norm，实现裁剪。

训练

在训练模型之前，让我们[定义一个函数在一个迭代周期内训练模型]。它与我们训练 :numref:sec_softmax_scratch模型的方式有三个不同之处。

序列数据的不同采样方法（随机采样和顺序分区）将导致隐状态初始化的差异。
我们在更新模型参数之前裁剪梯度。这样的操作的目的是，即使训练过程中某个点上发生了梯度爆炸，也能保证模型不会发散。
我们用困惑度来评价模型。如 :numref:subsec_perplexity所述，这样的度量确保了不同长度的序列具有可比性。

具体来说，当使用顺序分区时，我们只在每个迭代周期的开始位置初始化隐状态。由于下一个小批量数据中的第𝑖i个子序列样本与当前第𝑖i个子序列样本相邻，因此当前小批量数据最后一个样本的隐状态，将用于初始化下一个小批量数据第一个样本的隐状态。这样，存储在隐状态中的序列的历史信息可以在一个迭代周期内流经相邻的子序列。然而，在任何一点隐状态的计算，都依赖于同一迭代周期中前面所有的小批量数据，这使得梯度计算变得复杂。为了降低计算量，在处理任何一个小批量数据之前，我们先分离梯度，使得隐状态的梯度计算总是限制在一个小批量数据的时间步内。

当使用随机抽样时，因为每个样本都是在一个随机位置抽样的，因此需要为每个迭代周期重新初始化隐状态。与 :numref:sec_softmax_scratch中的 train_epoch_ch3函数相同， updater是更新模型参数的常用函数。它既可以是从头开始实现的d2l.sgd函数，也可以是深度学习框架中内置的优化函数。

#@save
def train_epoch_ch8(net, train_iter, loss, updater, device, use_random_iter):
    """训练网络一个迭代周期（定义见第8章）"""
    state, timer = None, d2l.Timer()
    metric = d2l.Accumulator(2)  # 训练损失之和,词元数量
    for X, Y in train_iter:
        if state is None or use_random_iter:
            # 在第一次迭代或使用随机抽样时初始化state
            state = net.begin_state(batch_size=X.shape[0], device=device)
        else:
            if isinstance(net, nn.Module) and not isinstance(state, tuple):
                # state对于nn.GRU是个张量
                state.detach_()
            else:
                # state对于nn.LSTM或对于我们从零开始实现的模型是个张量
                for s in state:
                    s.detach_()
        y = Y.T.reshape(-1)
        X, y = X.to(device), y.to(device)
        y_hat, state = net(X, state)
        l = loss(y_hat, y.long()).mean()
        if isinstance(updater, torch.optim.Optimizer):
            updater.zero_grad()
            l.backward()
            grad_clipping(net, 1)
            updater.step()
        else:
            l.backward()
            grad_clipping(net, 1)
            # 因为已经调用了mean函数
            updater(batch_size=1)
        metric.add(l * y.numel(), y.numel())
    return math.exp(metric[0] / metric[1]), metric[1] / timer.stop()

函数签名:

net: 神经网络模型。
train_iter: 训练数据的迭代器。
loss: 损失函数。
updater: 用于更新模型参数的优化器或自定义更新函数。
device: 指定模型应该在哪个设备上运行（CPU或GPU）。
use_random_iter: 是否使用随机迭代器。

初始化:

state: 初始化为 None，用于存储网络的状态。
timer: 使用 d2l.Timer() 初始化一个计时器，用于测量训练周期的时间。
metric: 使用 d2l.Accumulator(2) 初始化一个累加器，用于存储训练损失之和和处理的词元数量。

训练循环:

循环遍历 train_iter 提供的数据批次。

状态初始化:

如果是第一次迭代或使用随机抽样，则调用 net.begin_state 来初始化状态 state。

梯度分离:

如果 state 不是元组并且 net 是 nn.Module 的实例，则调用 state.detach_() 来分离梯度。
对于 LSTM 或自定义模型，遍历 state 中的每个元素并分离梯度。

数据准备:

将输入 X 和目标 Y 转换为适合模型的格式，并移动到指定的 device。

前向传播:

调用模型 __call__ 方法进行前向传播，获取预测 y_hat 和新的状态 state。

计算损失:

使用损失函数计算预测和目标之间的损失 l。

反向传播和参数更新:

如果 updater 是 torch.optim.Optimizer 的实例，则先清零梯度，然后执行反向传播，应用梯度裁剪，最后更新参数。
如果 updater 是自定义更新函数，则直接执行反向传播和梯度裁剪，然后调用 updater 更新参数。

累加统计:

使用 metric.add 累加损失和词元数量。

返回结果:

返回平均损失的指数（即自然对数的负值），以及处理词元的速度。

这个函数是一个典型的训练循环，包括数据准备、模型预测、损失计算、梯度反向传播和参数更新等步骤。通过累加器和计时器，它还提供了训练损失和速度的统计信息。

[循环神经网络模型的训练函数既支持从零开始实现，也可以使用高级API来实现。]

#@save
def train_ch8(net, train_iter, vocab, lr, num_epochs, device,
              use_random_iter=False):
    """训练模型（定义见第8章）"""
    loss = nn.CrossEntropyLoss()
    animator = d2l.Animator(xlabel='epoch', ylabel='perplexity',
                            legend=['train'], xlim=[10, num_epochs])
    # 初始化
    if isinstance(net, nn.Module):
        updater = torch.optim.SGD(net.parameters(), lr)
    else:
        updater = lambda batch_size: d2l.sgd(net.params, lr, batch_size)
    predict = lambda prefix: predict_ch8(prefix, 50, net, vocab, device)
    # 训练和预测
    for epoch in range(num_epochs):
        ppl, speed = train_epoch_ch8(
            net, train_iter, loss, updater, device, use_random_iter)
        if (epoch + 1) % 10 == 0:
            print(predict('time traveller'))
            animator.add(epoch + 1, [ppl])
    print(f'困惑度 {ppl:.1f}, {speed:.1f} 词元/秒 {str(device)}')
    print(predict('time traveller'))
    print(predict('traveller'))

函数签名:

net: 神经网络模型。
train_iter: 训练数据的迭代器。
vocab: 词汇表，用于将词元转换为索引和将索引转换为词元。
lr: 学习率。
num_epochs: 训练的总轮数。
device: 指定模型应该在哪个设备上运行（CPU或GPU）。
use_random_iter: 是否使用随机迭代器。

初始化损失函数:

loss = nn.CrossEntropyLoss(): 使用交叉熵损失函数，适用于分类问题。

初始化动画器:

animator = d2l.Animator(...): 使用 d2l.Animator 类来绘制训练进度。

初始化优化器:

如果 net 是 nn.Module 的实例，使用 torch.optim.SGD 作为优化器。
否则，使用 d2l.sgd 作为自定义的随机梯度下降更新函数。

定义预测函数:

predict = lambda prefix: predict_ch8(prefix, 50, net, vocab, device): 定义一个 lambda 函数，用于调用 predict_ch8 函数进行预测。

训练循环:

循环 num_epochs 轮。

训练每个epoch:

调用 train_epoch_ch8 函数进行一个epoch的训练，并获取困惑度（perplexity）和词元处理速度。

周期性评估和可视化:

每10个epoch，使用 predict 函数生成样本预测，并使用 animator.add 更新训练进度的可视化。

输出最终结果:

训练完成后，打印最终的困惑度和词元处理速度，并生成两个样本预测。

这个函数结合了模型训练、评估、可视化和预测等多个方面，提供了一个完整的训练流程。通过周期性地生成预测样本，我们可以直观地看到模型在训练过程中的性能变化。

[现在，我们训练循环神经网络模型。] 因为我们在数据集中只使用了10000个词元，所以模型需要更多的迭代周期来更好地收敛。

num_epochs, lr = 500, 1
train_ch8(net, train_iter, vocab, lr, num_epochs, d2l.try_gpu())

设置训练参数:

num_epochs: 设置训练的总轮数为 500。
lr: 设置学习率为 1。

调用训练函数:

train_ch8(net, train_iter, vocab, lr, num_epochs, d2l.try_gpu()): 使用这些参数调用 train_ch8 函数。

函数参数解释:

net: 需要训练的神经网络模型。
train_iter: 训练数据的迭代器，提供批量数据。
vocab: 词汇表，用于将词元转换为索引和将索引转换为词元。
lr: 学习率，用于控制优化器在每次迭代中的步长。
num_epochs: 训练的总轮数。
d2l.try_gpu(): 这是一个 d2l 库中的函数，用于尝试获取可用的GPU设备，如果GPU不可用则默认使用CPU。

注意事项:

确保 net、train_iter 和 vocab 已经被正确初始化和定义。
学习率 lr 通常需要根据具体任务和模型进行调整，1 可能是一个较大的值，您可能需要尝试较小的学习率以观察训练效果。
d2l.try_gpu() 会返回一个设备对象，确保模型和数据在训练前被正确地移动到该设备上。

训练过程:

train_ch8 函数会进行多个epoch的训练，每个epoch都会遍历训练数据，并在每个epoch结束后评估模型的性能。
训练过程中会打印出模型在特定前缀下的预测结果，以及训练的困惑度和速度。

训练结束后:

函数会输出最终的困惑度和词元处理速度，并生成两个样本预测，展示模型的预测能力。

[最后，让我们检查一下使用随机抽样方法的结果。]

net = RNNModelScratch(len(vocab), num_hiddens, d2l.try_gpu(), get_params,
                      init_rnn_state, rnn)
train_ch8(net, train_iter, vocab, lr, num_epochs, d2l.try_gpu(),
          use_random_iter=True)

创建模型实例:

net = RNNModelScratch(len(vocab), num_hiddens, d2l.try_gpu(), get_params, init_rnn_state, rnn): 这行代码创建了 RNNModelScratch 类的一个实例。
len(vocab): 词汇表的大小，用作模型的输入和输出维度。
num_hiddens: 隐藏层的大小。
d2l.try_gpu(): 尝试获取GPU设备，如果GPU不可用则使用CPU。
get_params: 一个函数，用于初始化模型参数。
init_rnn_state: 一个函数，用于初始化RNN的状态。
rnn: 一个函数，定义了RNN的前向传播逻辑。

训练模型:

train_ch8(net, train_iter, vocab, lr, num_epochs, d2l.try_gpu(), use_random_iter=True): 使用 train_ch8 函数训练模型。
train_iter: 训练数据的迭代器，提供批量数据。
vocab: 词汇表，用于处理数据集中的词元。
lr: 学习率。
num_epochs: 训练的总轮数。
d2l.try_gpu(): 确保模型在GPU上训练（如果可用）。
use_random_iter=True: 表示训练时使用随机迭代器，这有助于提高模型的泛化能力。

关键点:

确保 vocab、train_iter、get_params、init_rnn_state 和 rnn 已经被正确定义和初始化。
num_hiddens 应该根据具体任务和模型架构来设置。
学习率 lr 可能需要调整，以确保模型能够有效地收敛。
使用 use_random_iter=True 可以在每个epoch中以随机顺序处理数据，这有助于防止模型对数据顺序的依赖。

训练过程:

train_ch8 函数会执行多个epoch的训练，每个epoch都会遍历整个训练数据集。
在训练过程中，模型的状态会被初始化，然后通过前向传播、计算损失、反向传播和参数更新来优化模型。

训练结束后:

训练完成后，您将得到一个训练好的模型，可以用于生成文本或进一步的评估。