循環神經網絡---GRU模型

一、GRU介紹

　　GRU是LSTM網絡的一種效果很好的變體，它較LSTM網絡的結構更加簡單，而且效果也很好，因此也是當前非常流形的一種網絡。GRU既然是LSTM的變體，因此也是可以解決RNN網絡中的長依賴問題。

　　GRU的參數較少，因此訓練速度更快，GRU能夠降低過擬合的風險。

　　在LSTM中引入了三個門函數：輸入門、遺忘門和輸出門來控制輸入值、記憶值和輸出值。而在GRU模型中只有兩個門：分別是更新門和重置門。具體結構如下圖所示：

 圖中的z_t和r_t分別表示更新門和重置門。更新門用於控制前一時刻的狀態信息被帶入到當前狀態中的程度，更新門的值越大說明前一時刻的狀態信息帶入越多。重置門控制前一狀態有多少信息被寫入到當前的候選集 h~th~t 上，重置門越小，前一狀態的信息被寫入的越少。

 

 

 

 

 二、GRU與LSTM的比較

(1). GRU相比於LSTM少了輸出門，其參數比LSTM少。
(2). GRU在復調音樂建模和語音信號建模等特定任務上的性能和LSTM差不多，在某些較小的數據集上，GRU相比於LSTM表現出更好的性能。
(3). LSTM比GRU嚴格來說更強，因為它可以很容易地進行無限計數，而GRU卻不能。這就是GRU不能學習簡單語言的原因，而這些語言是LSTM可以學習的。
(4). GRU網絡在首次大規模的神經網絡機器翻譯的結構變化分析中，性能始終不如LSTM。

三、GRU的API

rnn = nn.GRU(input_size, hidden_size, num_layers, bias, batch_first, dropout, bidirectional)

初始化：

input_size: input的特征維度
hidden_size: 隱藏層的寬度
num_layers: 單元的數量（層數），默認為1，如果為2以為着將兩個GRU堆疊在一起，當成一個GRU單元使用。
bias: True or False，是否使用bias項，默認使用
batch_first: Ture or False, 默認的輸入是三個維度的，即：(seq, batch, feature)，第一個維度是時間序列，第二個維度是batch，第三個維度是特征。如果設置為True，則(batch, seq, feature)。即batch，時間序列，每個時間點特征。
dropout：設置隱藏層是否啟用dropout，默認為0
bidirectional：True or False, 默認為False，是否使用雙向的GRU，如果使用雙向的GRU，則自動將序列正序和反序各輸入一次。

調用輸入：

rnn(input, h_0)

輸出：

output, hn = rnn(input, h0)

形狀啥的和LSTM差不多，也有雙向

四、情感分類demo修改成GRU

完整代碼：

import torch
import torch.nn as nn
import torch.nn.functional as F
from torch import optim
import os
import re
import pickle
import numpy as np
from torch.utils.data import Dataset, DataLoader
from tqdm import tqdm


dataset_path = r'C:\Users\ci21615\Downloads\aclImdb_v1\aclImdb'
MAX_LEN = 500

def tokenize(text):
    """
    分詞，處理原始文本
    :param text:
    :return:
    """
    fileters = ['!', '"', '#', '$', '%', '&', '\(', '\)', '\*', '\+', ',', '-', '\.', '/', ':', ';', '<', '=', '>', '\?', '@'
        , '\[', '\\', '\]', '^', '_', '`', '\{', '\|', '\}', '~', '\t', '\n', '\x97', '\x96', '”', '“', ]
    text = re.sub("<.*?>", " ", text, flags=re.S)
    text = re.sub("|".join(fileters), " ", text, flags=re.S)
    return [i.strip() for i in text.split()]


class ImdbDataset(Dataset):
    """
    准備數據集
    """
    def __init__(self, mode):
        super(ImdbDataset, self).__init__()
        if mode == 'train':
            text_path = [os.path.join(dataset_path, i) for i in ['train/neg', 'train/pos']]
        else:
            text_path = [os.path.join(dataset_path, i) for i in ['test/neg', 'test/pos']]
        self.total_file_path_list = []
        for i in text_path:
            self.total_file_path_list.extend([os.path.join(i, j) for j in os.listdir(i)])

    def __getitem__(self, item):
        cur_path = self.total_file_path_list[item]
        cur_filename = os.path.basename(cur_path)
        # 獲取標簽
        label_temp = int(cur_filename.split('_')[-1].split('.')[0]) - 1
        label = 0 if label_temp < 4 else 1
        text = tokenize(open(cur_path, encoding='utf-8').read().strip())
        return label, text

    def __len__(self):
        return len(self.total_file_path_list)


class Word2Sequence():
    UNK_TAG = 'UNK'
    PAD_TAG = 'PAD'
    UNK = 0
    PAD = 1

    def __init__(self):
        self.dict = {
            self.UNK_TAG: self.UNK,
            self.PAD_TAG: self.PAD
        }
        self.count = {} # 統計詞頻

    def fit(self, sentence):
        """
        把單個句子保存到dict中
        :return:
        """
        for word in sentence:
            self.count[word] = self.count.get(word, 0) + 1

    def build_vocab(self, min=5, max=None, max_feature=None):
        """
        生成詞典
        :param min: 最小出現的次數
        :param max: 最大次數
        :param max_feature: 一共保留多少個詞語
        :return:
        """
        # 刪除詞頻小於min的word
        if min is not None:
            self.count = {word:value for word,value in self.count.items() if value > min}
        # 刪除詞頻大於max的word
        if max is not None:
            self.count = {word:value for word,value in self.count.items() if value < max}
        # 限制保留的詞語數
        if max_feature is not None:
            temp = sorted(self.count.items(), key=lambda x:x[-1],reverse=True)[:max_feature]
            self.count = dict(temp)
        for word in self.count:
            self.dict[word] = len(self.dict)
        # 得到一個反轉的字典
        self.inverse_dict = dict(zip(self.dict.values(), self.dict.keys()))

    def transform(self, sentence, max_len=None):
        """
        把句子轉化為序列
        :param sentence: [word1, word2...]
        :param max_len: 對句子進行填充或裁剪
        :return:
        """
        if max_len is not None:
            if max_len > len(sentence):
                sentence = sentence + [self.PAD_TAG] * (max_len - len(sentence)) # 填充
            if max_len < len(sentence):
                sentence = sentence[:max_len] # 裁剪
        return [self.dict.get(word, self.UNK) for word in sentence]

    def inverse_transform(self, indices):
        """
        把序列轉化為句子
        :param indices: [1,2,3,4...]
        :return:
        """
        return [self.inverse_dict.get(idx) for idx in indices]

    def __len__(self):
        return len(self.dict)


def fit_save_word_sequence():
    """
    從數據集構建字典
    :return:
    """
    ws = Word2Sequence()
    train_path = [os.path.join(dataset_path, i) for i in ['train/neg', 'train/pos']]
    total_file_path_list = []
    for i in train_path:
        total_file_path_list.extend([os.path.join(i, j) for j in os.listdir(i)])
    for cur_path in tqdm(total_file_path_list, desc='fitting'):
        sentence = open(cur_path, encoding='utf-8').read().strip()
        res = tokenize(sentence)
        ws.fit(res)
    # 對wordSequesnce進行保存
    ws.build_vocab(min=10)
    # pickle.dump(ws, open('./lstm_model/ws.pkl', 'wb'))
    return ws


def get_dataloader(mode='train', batch_size=20, ws=None):
    """
    獲取數據集，轉換成詞向量后的數據集
    :param mode:
    :return:
    """
    # 導入詞典
    # ws = pickle.load(open('./model/ws.pkl', 'rb'))
    # 自定義collate_fn函數
    def collate_fn(batch):
        """
        batch是list，其中是一個一個元組，每個元組是dataset中__getitem__的結果
        :param batch:
        :return:
        """
        batch = list(zip(*batch))
        labels = torch.LongTensor(batch[0])
        texts = batch[1]
        # 獲取每個文本的長度
        lengths = [len(i) if len(i) < MAX_LEN else MAX_LEN for i in texts]
        # 每一段文本句子都轉換成了n個單詞對應的數字組成的向量，即500個單詞數字組成的向量
        temp = [ws.transform(i, MAX_LEN) for i in texts]
        texts = torch.LongTensor(temp)
        del batch
        return labels, texts, lengths
    dataset = ImdbDataset(mode)
    dataloader = DataLoader(dataset=dataset, batch_size=batch_size, shuffle=True, collate_fn=collate_fn)
    return dataloader


class ImdbLstmModel(nn.Module):

    def __init__(self, ws):
        super(ImdbLstmModel, self).__init__()
        self.hidden_size = 64   # 隱藏層神經元的數量，即每一層有多少個LSTM單元
        self.embedding_dim = 200    # 每個詞語使用多長的向量表示
        self.num_layer = 1  # 即RNN的中LSTM單元的層數
        self.bidriectional = True  # 是否使用雙向LSTM,默認是False,表示雙向LSTM，也就是序列從左往右算一次，從右往左又算一次，這樣就可以兩倍的輸出
        self.num_directions = 2 if self.bidriectional else 1 # 是否雙向取值，雙向取值為2，單向取值為1
        self.dropout = 0.5  #　dropout的比例，默認值為0。dropout是一種訓練過程中讓部分參數隨機失活的一種方式，能夠提高訓練速度，同時能夠解決過擬合的問題。這里是在LSTM的最后一層，對每個輸出進行dropout
        # 每個句子長度為500
        # ws = pickle.load(open('./model/ws.pkl', 'rb'))
        print(len(ws))
        self.embedding = nn.Embedding(len(ws), self.embedding_dim)
        # self.lstm = nn.LSTM(self.embedding_dim,self.hidden_size,self.num_layer,bidirectional=self.bidriectional,dropout=self.dropout)
        self.gru = nn.GRU(input_size=self.embedding_dim, hidden_size=self.hidden_size, bidirectional=self.bidriectional)

        self.fc = nn.Linear(self.hidden_size * self.num_directions, 20)
        self.fc2 = nn.Linear(20, 2)

    def init_hidden_state(self, batch_size):
        """
        初始化 前一次的h_0(前一次的隱藏狀態)和c_0（前一次memory）
        :param batch_size:
        :return:
        """
        h_0 = torch.rand(self.num_layer * self.num_directions, batch_size, self.hidden_size)
        return h_0

    def forward(self, input):
        # 句子轉換成詞向量
        x = self.embedding(input)
        # 如果batch_first為False的話轉換一下seq_len和batch_size的位置
        x = x.permute(1,0,2)    # [seq_len, batch_size, embedding_num]
        #　初始化前一次的h_0(前一次的隱藏狀態)和c_0（前一次memory）
        h_0 = self.init_hidden_state(x.size(1))    # [num_layers * num_directions, batch, hidden_size]
        output, h_n = self.gru(x, h_0)

        # 只要最后一個lstm單元處理的結果，這里多去的hidden state
        out = torch.cat([h_n[-2, :, :], h_n[-1, :, :]], dim=-1)
        out = self.fc(out)
        out = F.relu(out)
        out = self.fc2(out)
        return F.log_softmax(out, dim=-1)


train_batch_size = 64
test_batch_size = 5000

def train(epoch, ws):
    """
    訓練
    :param epoch: 輪次
    :param ws: 字典
    :return:
    """
    mode = 'train'
    imdb_lstm_model = ImdbLstmModel(ws)
    optimizer = optim.Adam(imdb_lstm_model.parameters())
    for i in range(epoch):
        train_dataloader = get_dataloader(mode=mode, batch_size=train_batch_size, ws=ws)
        for idx, (target, input, input_length) in enumerate(train_dataloader):
            optimizer.zero_grad()
            output = imdb_lstm_model(input)
            loss = F.nll_loss(output, target)
            loss.backward()
            optimizer.step()

            pred = torch.max(output, dim=-1, keepdim=False)[-1]
            acc = pred.eq(target.data).numpy().mean() * 100.
            print('Train Epoch: {} [{}/{} ({:.0f}%)]\tLoss: {:.6f}\t ACC: {:.6f}'.format(i, idx * len(input), len(train_dataloader.dataset),
                                                                                     100. * idx / len(train_dataloader), loss.item(), acc))
    torch.save(imdb_lstm_model.state_dict(), 'model/gru_model.pkl')
    torch.save(optimizer.state_dict(), 'model/gru_optimizer.pkl')


def test(ws):
    mode = 'test'
    # 載入模型
    lstm_model = ImdbLstmModel(ws)
    lstm_model.load_state_dict(torch.load('model/lstm_model.pkl'))
    optimizer = optim.Adam(lstm_model.parameters())
    optimizer.load_state_dict(torch.load('model/lstm_optimizer.pkl'))
    lstm_model.eval()
    test_dataloader = get_dataloader(mode=mode, batch_size=test_batch_size, ws=ws)
    with torch.no_grad():
        for idx, (target, input, input_length) in enumerate(test_dataloader):
            output = lstm_model(input)
            test_loss = F.nll_loss(output, target, reduction='mean')
            pred = torch.max(output, dim=-1, keepdim=False)[-1]
            correct = pred.eq(target.data).sum()
            acc = 100. * pred.eq(target.data).cpu().numpy().mean()
            print('idx: {} Test set: Avg. loss: {:.4f}, Accuracy: {}/{} ({:.2f}%)\n'.format(idx, test_loss, correct, target.size(0), acc))


if __name__ == '__main__':
    # 構建字典
    ws = fit_save_word_sequence()
    # 訓練
    train(10, ws)
    # 測試
    # test(ws)

結果展示：

 

參考：

【重溫經典】GRU循環神經網絡 —— LSTM的輕量級版本，大白話講解

GRU模型

人人都能看懂的GRU