《PyTorch深度學習實踐》完結合集_嗶哩嗶哩_bilibili
Basic RNN
①用於處理序列數據：時間序列、文本、語音.....
②循環過程中權重共享機制
一、RNN原理
① Xt表示時刻t時輸入的數據
② RNN Cell—本質是一個線性層
③ Ht表示時刻t時的輸出（隱藏層）
RNN Cell為一個線性層Linear，在t時刻下的N維向量，經過Cell后即可變為一個M維的向量h_t,而與其他線性層不同，RNN Cell為一個共享的線性層，即重復利用，權重共享。
X1…Xn是一組序列數據，每個Xi都至少包含Xi-1的信息
比如h2里面包含了X1的信息
就是要把X1經過RNN Cell處理后的h1向下傳遞，和X2一起輸入到第二個RNN Cell中
二、RNN 計算過程
三、Pytorch實現
方法①
先創建RNN Cell（要確定好輸入和輸出的維度）
再寫循環
BatchSize—批量大小
SeqLen—樣本數量
InputSize—輸入維度
HiddenSize—隱藏層（輸出）維度
import torch #參數設置 batch_size = 1 seq_len = 3 input_size = 4 hidden_size =2 #構造RNN Cell cell = torch.nn.RNNCell(input_size = input_size, hidden_size = hidden_size) #維度最重要(seq,batch,features) dataset = torch.randn(seq_len,batch_size,input_size) #初始化時設為零向量 hidden = torch.zeros(batch_size, hidden_size) #訓練的循環 for idx,input in enumerate(dataset): print('=' * 20,idx,'=' * 20) print('Input size:', input.shape) # 當前的輸入和上一層的輸出 hidden = cell(input, hidden) print('outputs size: ', hidden.shape) print(hidden)
方法②
直接調用RNN
BatchSize—批量大小
SeqLen—樣本數量
InputSize—輸入維度
HiddenSize—隱藏層（輸出）維度
NumLayers—RNN層數
多層RNN
# 直接調用RNN
import torch
batch_size = 1
seq_len = 5
input_size = 4
hidden_size =2
num_layers = 3
#其他參數
#batch_first=True 維度從(SeqLen*Batch*input_size)變為（Batch*SeqLen*input_size）
cell = torch.nn.RNN(input_size = input_size, hidden_size = hidden_size, num_layers = num_layers)
inputs = torch.randn(seq_len, batch_size, 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)
四、案例
一個序列到序列（seq→seq）的問題
1、先將“Hello”轉化成數值型向量
用 one-hot編碼
多分類問題（輸出維度為4）經過Softmax求得映射之后的概率分別是多少，再利用輸出對應的獨熱向量，計算NLLLoss
方法① RNN Cell
import torch
input_size = 4
hidden_size = 3
batch_size = 1
#構建輸入輸出字典
idx2char_1 = ['e', 'h', 'l', 'o']
idx2char_2 = ['h', 'l', 'o']
x_data = [1, 0, 2, 2, 3]
y_data = [2, 0, 1, 2, 1]
# y_data = [3, 1, 2, 2, 3]
one_hot_lookup = [[1, 0, 0, 0],
[0, 1, 0, 0],
[0, 0, 1, 0],
[0, 0, 0, 1]]
#構造獨熱向量，此時向量維度為(SeqLen*InputSize)
x_one_hot = [one_hot_lookup[x] for x in x_data]
#view(-1……)保留原始SeqLen，並添加batch_size,input_size兩個維度
inputs = torch.Tensor(x_one_hot).view(-1, batch_size, input_size)
#將labels轉換為（SeqLen*1）的維度
labels = torch.LongTensor(y_data).view(-1, 1)
class Model(torch.nn.Module):
def __init__(self, input_size, hidden_size, batch_size):
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 = self.hidden_size)
def forward(self, input, hidden):
# RNNCell input = (batchsize*inputsize)
# RNNCell hidden = (batchsize*hiddensize)
# h_i = cell(x_i , h_i-1)
hidden = self.rnncell(input, hidden)
return hidden
#初始化零向量作為h0，只有此處用到batch_size
def init_hidden(self):
return torch.zeros(self.batch_size, self.hidden_size)
net = Model(input_size, hidden_size, batch_size)
criterion = torch.nn.CrossEntropyLoss()
optimizer = torch.optim.Adam(net.parameters(), lr=0.1)
for epoch in range(15):
#損失及梯度置0，創建前置條件h0
loss = 0
optimizer.zero_grad()
hidden = net.init_hidden()
print("Predicted string: ",end="")
#inputs=（seqLen*batchsize*input_size） labels = (seqLen*1)
#input是按序列取的inputs元素（batchsize*inputsize）
#label是按序列去的labels元素（1）
for input, label in zip(inputs, labels):
hidden = net(input, hidden)
#序列的每一項損失都需要累加
loss += criterion(hidden, label)
#多分類取最大，找到四個類中概率最大的下標
_, idx = hidden.max(dim=1)
print(idx2char_2[idx.item()], end='')
loss.backward()
optimizer.step()
print(", Epoch [%d/15] loss = %.4f" % (epoch+1, loss.item()))
方法② RNN
import torch
input_size = 4
hidden_size = 3
batch_size = 1
num_layers = 1
seq_len = 5
#構建輸入輸出字典
idx2char_1 = ['e', 'h', 'l', 'o']
idx2char_2 = ['h', 'l', 'o']
x_data = [1, 0, 2, 2, 3]
y_data = [2, 0, 1, 2, 1]
# y_data = [3, 1, 2, 2, 3]
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(seq_len, batch_size, input_size)
#labels（seqLen*batchSize,1）為了之后進行矩陣運算，計算交叉熵
labels = torch.LongTensor(y_data)
class Model(torch.nn.Module):
def __init__(self, input_size, hidden_size, batch_size, num_layers=1):
super(Model, self).__init__()
self.batch_size = batch_size #構造H0
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=num_layers)
def forward(self, input):
hidden = torch.zeros(self.num_layers,
self.batch_size,
self.hidden_size)
out, _ = self.rnn(input, hidden)
#reshape成（SeqLen*batchsize,hiddensize）便於在進行交叉熵計算時可以以矩陣進行。
return out.view(-1, self.hidden_size)
net = Model(input_size, hidden_size, batch_size, num_layers)
criterion = torch.nn.CrossEntropyLoss()
optimizer = torch.optim.Adam(net.parameters(), lr=0.05)
#RNN中的輸入（SeqLen*batchsize*inputsize）
#RNN中的輸出（SeqLen*batchsize*hiddensize）
#labels維度 hiddensize*1
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([idx2char_2[x] for x in idx]), end = '')
print(", Epoch [%d/15] loss = %.3f" % (epoch+1, loss.item()))
五、自然語言處理--詞向量
獨熱編碼在實際問題中容易引起很多問題：
- 獨熱編碼向量維度過高，每增加一個不同的數據，就要增加一維
- 獨熱編碼向量稀疏，每個向量是一個為1其余為0
- 獨熱編碼是硬編碼，編碼情況與數據特征無關
綜上所述，需要一種低維度的、稠密的、可學習數據的編碼方式
1、詞嵌入
（數據降維）將高維、稀疏的樣本 映射到 低維、稠密的空間中
2、網絡結構
2.1 Embedding
Embedding參數說明
①num_embedding：輸入的獨熱向量的維度
②embedding_dim：轉換成詞嵌入的維度
輸入、輸出
③輸入必須是LongTensor類型
④輸出時為為數據增加一個維度(embedding_dim)
2.2線性層 Linear
輸入和輸出的第一個維度（Batch）一直到倒數第二個維度都會保持不變。但會對最后一個維度（in_features）做出改變（out_features）
2.3交叉熵 CrossEntropyLoss
# 增加詞嵌入
import torch
input_size = 4
num_class = 4
hidden_size = 8
embedding_size =10
batch_size = 1
num_layers = 2
seq_len = 5
idx2char_1 = ['e', 'h', 'l', 'o']
idx2char_2 = ['h', 'l', 'o']
x_data = [[1, 0, 2, 2, 3]]
y_data = [3, 1, 2, 2, 3]
#inputs 作為交叉熵中的Inputs，維度為（batchsize，seqLen）
inputs = torch.LongTensor(x_data)
#labels 作為交叉熵中的Target，維度為（batchsize*seqLen）
labels = torch.LongTensor(y_data)
class Model(torch.nn.Module):
def __init__(self):
super(Model, self).__init__()
#嵌入層
self .emb = torch.nn.Embedding(input_size, 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)
x = self.emb(x)
x, _ = self.rnn(x, hidden)
x = self.fc(x)
return x.view(-1, num_class)
net = Model()
criterion = torch.nn.CrossEntropyLoss()
optimizer = torch.optim.Adam(net.parameters(), lr=0.05)
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([idx2char_1[x] for x in idx]), end = '')
print(", Epoch [%d/15] loss = %.3f" % (epoch+1, loss.item()))
五、LSTM
增加c_t+1的這條路徑，在反向傳播時，提供更快梯度下降的路徑，減少梯度消失
六、GRU
LSTM效果比RNN好得多，但由於計算復雜度上升，運算效率低，訓練時間長
折中方法就可以選擇 GRU
