RNN基本介绍

概述

循环神经网络（Recurrent Neural Network，RNN）是一种深度学习模型，主要用于处理序列数据，如文本、语音、时间序列等具有时序关系的数据。

核心思想

RNN的关键思想是引入了循环结构，允许信息在网络内部进行传递。与传统的前馈神经网络（Feedforward Neural Network）不同，RNN在处理序列数据时会保留并利用先前的信息来影响后续的输出。

基本结构

RNN的基本结构是一个被称为“循环单元”（recurrent unit）的模块，它接收输入和先前的隐藏状态，并生成输出和新的隐藏状态。循环单元中的权重参数在时间步之间是共享的，这意味着它可以对序列中的不同位置应用相同的操作。

计算过程

RNN在每个时间步的计算过程如下：
1.接收当前时间步的输入和先前时间步的隐藏状态。
2.使用这些输入和隐藏状态计算当前时间步的输出。
3.更新隐藏状态，以便在下一个时间步使用。

优点

由于RNN具有循环结构，它可以在处理序列数据时保持记忆，并捕捉到序列中的长期依赖关系。这使得RNN在许多任务中表现出色，例如语言建模、机器翻译、语音识别、情感分析等。

缺点

然而，传统的RNN在处理长期依赖时存在梯度消失或梯度爆炸的问题，导致难以捕捉到远距离的依赖关系。

LSTM基本介绍

概述

LSTM（Long Short-Term Memory，长短期记忆网络）是一种循环神经网络（RNN）的改进型结构，用于解决传统RNN中的长期依赖问题。相比于传统的RNN，LSTM引入了门控机制，能够更好地捕捉和处理序列数据中的长期依赖关系。

核心思想

LSTM的核心思想是引入了三个门控单元：输入门（Input Gate）、遗忘门（Forget Gate）和输出门（Output Gate）。这些门控单元允许LSTM网络选择性地保留或丢弃信息，并且在传递信息时能够有效地控制梯度的流动。

基本结构

以下是LSTM中各个门控单元的功能：
1.输入门（Input Gate）：决定当前时间步的输入信息中哪些部分需要被记忆。它使用sigmoid函数来产生一个0到1之间的值，描述了每个输入的重要性。
2.遗忘门（Forget Gate）：决定之前的隐藏状态中哪些信息需要被遗忘。通过使用sigmoid函数，遗忘门可以控制先前的隐藏状态在当前时间步的重要性。
3.输出门（Output Gate）：根据当前时间步的输入和之前的隐藏状态，决定应该输出多少信息到下一个时间步。输出门使用sigmoid函数来控制隐藏状态中的信息量，并使用tanh函数来生成当前时间步的输出。

优点

通过使用这些门控单元，LSTM网络能够在处理序列数据时灵活地控制信息的流动和记忆的保留。这使得LSTM能够更好地处理长期依赖关系，并在各种序列建模任务中表现出色，例如机器翻译、语音识别、文本生成等。

代码与详细注释

import torchfrom torch import nnimport torchvision.datasets as dsetsimport torchvision.transfORMs as transformsimport matplotlib.pyplot as plt# 可复现# torch.manual_seed(1)    # reproducible# Hyper ParametersEPOCH = 1               # train the training data n times, to save time, we just train 1 epoch# 批大小BATCH_SIZE = 64TIME_STEP = 28          # rnn time step / image heightINPUT_SIZE = 28         # rnn input size / image widthLR = 0.01               # learning rateDOWNLOAD_MNIST = True   # set to True if haven't download the data# Mnist digital datasettrain_data = dsets.MNIST(    root='./mnist/',    train=True,                         # this is training data    transform=transforms.ToTensor(),    # Converts a PIL.Image or numpy.ndarray to            # torch.FloatTensor of shape (C x H x W) and normalize in the range [0.0, 1.0]    download=DOWNLOAD_MNIST,            # download it if you don't have it)# plot one exampleprint(train_data.train_data.size())     # (60000, 28, 28)print(train_data.train_labels.size())   # (60000)plt.imshow(train_data.train_data[0].numpy(), cmap='gray')plt.title('%i' % train_data.train_labels[0])plt.show()# Data Loader for easy mini-batch return in trainingtrain_loader = torch.utils.data.DataLoader(dataset=train_data, batch_size=BATCH_SIZE, shuffle=True)# convert test data into Variable, pick 2000 samples to speed up testingtest_data = dsets.MNIST(root='./mnist/', train=False, transform=transforms.ToTensor())test_x = test_data.test_data.type(torch.FloatTensor)[:2000]/255.   # shape (2000, 28, 28) value in range(0,1)test_y = test_data.test_labels.numpy()[:2000]    # covert to numpy arrayclass RNN(nn.Module):    def __init__(self):        super(RNN, self).__init__()        self.rnn = nn.LSTM(         # if use nn.RNN(), it hardly learns            input_size=INPUT_SIZE,            hidden_size=64,         # rnn hidden unit            num_layers=1,           # number of rnn layer            batch_first=True,       # input & output will has batch size as 1s dimension. e.g. (batch, time_step, input_size)        )        self.out = nn.Linear(64, 10)    def forward(self, x):        # 输入向量的形状        # x shape (batch, time_step, input_size)        # r_out shape (batch, time_step, output_size)        # h_n shape (n_layers, batch, hidden_size)        # h_c shape (n_layers, batch, hidden_size)        r_out, (h_n, h_c) = self.rnn(x, None)   # None represents zero initial hidden state        # choose r_out at the last time step        # 选择输出最后一步的r_out        out = self.out(r_out[:, -1, :])        return outrnn = RNN()print(rnn)optimizer = torch.optim.Adam(rnn.parameters(), lr=LR)   # optimize all cnn parametersloss_func = nn.CrossEntropyLoss()                       # the target label is not one-hotted# training and testingfor epoch in range(EPOCH):    for step, (b_x, b_y) in enumerate(train_loader):        # gives batch data        b_x = b_x.view(-1, 28, 28)              # reshape x to (batch, time_step, input_size)        output = rnn(b_x)   # rnn output        loss = loss_func(output, b_y)                   # cross entropy loss        optimizer.zero_grad()                           # clear gradients for this training step        loss.backward()     # backpropagation, compute gradients        optimizer.step()    # apply gradients        # 每训练50步之后，测试一下准确度        if step % 50 == 0:            test_output = rnn(test_x)                   # (samples, time_step, input_size)            pred_y = torch.max(test_output, 1)[1].data.numpy()            accuracy = float((pred_y == test_y).astype(int).sum()) / float(test_y.size)            print('Epoch: ', epoch, '| train loss: %.4f' % loss.data.numpy(), '| test accuracy: %.2f' % accuracy)# print 10 predictions from test datatest_output = rnn(test_x[:10].view(-1, 28, 28))pred_y = torch.max(test_output, 1)[1].data.numpy()print(pred_y, 'prediction number')print(test_y[:10], 'real number')

运行结果

来源地址：https://blog.csdn.net/Elon15/article/details/131751184