python tensorflow构建循环神经网络RNN

在前一段时间已经完成了卷积神经网络的复习,现在要对循环神经网络的结构进行更深层次的明确。

RNN简介

RNN 是当前发展非常火热的神经网络中的一种,它擅长对序列数据进行处理。

什么是序列数据呢?举个例子。

现在假设有四个字,“我” “去” “吃” “饭”。我们可以对它们进行任意的排列组合。

“我去吃饭”,表示的就是我要去吃饭了。

“饭去吃我”,表示的就是饭成精了。

“我吃去饭”,表示的我要去吃‘去饭’了。

不同的排列顺序会导致不同的语意,序列数据表示的就是按照一定顺序排列的序列,这种排列一般存在一定的意义。。

所以我们知道了RNN有顺序存储的这个抽象概念,但是RNN如何学习这个概念呢?

那么,让我们来看一个传统的神经网络,也称为前馈神经网络。它有输入层,隐藏层和输出层。就像这样

在这里插入图片描述

对于RNN来讲,其结构示意图是这样的:

在这里插入图片描述

一句话可以分为N个part,比如“我去吃饭”可以分为四个字,“我” “去” “吃” “饭”,分别可以传入四个隐含层,前一个隐含层会有一个输出按照一定的比率传给后一个隐含层,比如第一个“我”输入隐含层后,有一个输出按照w1的比率输入给下一个隐含层,当第二个“去”进入隐含层时,隐含层同样要接收“我”传过来的信息。

以此类推,在到达最后一个“饭”时,最后的输出便得到了前面全部的信息。

其伪代码形式为:

rnn = RNN()
ff = FeedForwardNN()
hidden_state = [0,0,0]

for word in input:
	output,hidden_state = rnn(word,hidden_state)
prediction = ff(output)

tensorflow中RNN的相关函数

tf.nn.rnn_cell.BasicLSTMCell

tf.nn.rnn_cell.BasicRNNCell(
	num_units, 
	activation=None, 
	reuse=None, 
	name=None, 
	dtype=None, 
	**kwargs)
  • num_units:RNN单元中的神经元数量,即输出神经元数量。
  • activation:激活函数。
  • reuse:描述是否在现有范围中重用变量。如果不为True,并且现有范围已经具有给定变量,则会引发错误。
  • name:层的名称。
  • dtype:该层的数据类型。
  • kwargs:常见层属性的关键字命名属性,如trainable,当从get_config()创建cell 。

在使用时,可以定义为:

RNN_cell = tf.nn.rnn_cell.BasicRNNCell(n_hidden_units,activation=tf.nn.tanh)

在定义完成后,可以进行状态初始化:

_init_state =  RNN_cell.zero_state(batch_size,tf.float32)

tf.nn.dynamic_rnn

tf.nn.dynamic_rnn(
  cell,
  inputs,
  sequence_length=None,
  initial_state=None,
  dtype=None,
  parallel_iterations=None,
  swap_memory=False,
  time_major=False,
  scope=None
)
  • cell:上文所定义的lstm_cell。
  • inputs:RNN输入。如果time_major==false(默认),则必须是如下shape的tensor:[batch_size,max_time,…]或此类元素的嵌套元组。如果time_major==true,则必须是如下形状的tensor:[max_time,batch_size,…]或此类元素的嵌套元组。
  • sequence_length:Int32/Int64矢量大小。用于在超过批处理元素的序列长度时复制通过状态和零输出。因此,它更多的是为了性能而不是正确性。
  • initial_state:上文所定义的_init_state。
  • dtype:数据类型。
  • parallel_iterations:并行运行的迭代次数。那些不具有任何时间依赖性并且可以并行运行的操作将是。这个参数用时间来交换空间。值>>1使用更多的内存,但花费的时间更少,而较小的值使用更少的内存,但计算需要更长的时间。
  • time_major:输入和输出tensor的形状格式。如果为真,这些张量的形状必须是[max_time,batch_size,depth]。如果为假,这些张量的形状必须是[batch_size,max_time,depth]。使用time_major=true会更有效率,因为它可以避免在RNN计算的开始和结束时进行换位。但是,大多数TensorFlow数据都是批处理主数据,因此默认情况下,此函数为False。
  • scope:创建的子图的可变作用域;默认为“RNN”。

在RNN的最后,需要用该函数得出结果。

outputs,states = tf.nn.dynamic_rnn(RNN_cell,X_in,initial_state = _init_state,time_major = False)

返回的是一个元组 (outputs, state):

outputs:RNN的最后一层的输出,是一个tensor。如果为time_major== False,则它的shape为[batch_size,max_time,cell.output_size]。如果为time_major== True,则它的shape为[max_time,batch_size,cell.output_size]。

states:states是一个tensor。state是最终的状态,也就是序列中最后一个cell输出的状态。一般情况下states的形状为 [batch_size, cell.output_size],但当输入的cell为BasicLSTMCell时,states的形状为[2,batch_size, cell.output_size ],其中2也对应着LSTM中的cell state和hidden state。

整个RNN的定义过程为:

def RNN(X,weights,biases):
  #X最开始的形状为(128 batch,28 steps,28 inputs)
  #转化为(128 batch*28 steps,128 hidden)
  X = tf.reshape(X,[-1,n_inputs])
  #经过乘法后结果为(128 batch*28 steps,256 hidden)
  X_in = tf.matmul(X,weights['in'])+biases['in']
  #再次转化为(128 batch,28 steps,256 hidden) 
  X_in = tf.reshape(X_in,[-1,n_steps,n_hidden_units])
  
  RNN_cell = tf.nn.rnn_cell.BasicRNNCell(n_hidden_units,activation=tf.nn.tanh)
  _init_state =  RNN_cell.zero_state(batch_size,tf.float32)

  outputs,states = tf.nn.dynamic_rnn(RNN_cell,X_in,initial_state = _init_state,time_major = False)

  results = tf.matmul(states,weights['out'])+biases['out']

  return results

全部代码

该例子为手写体识别例子,将手写体的28行分别作为每一个step的输入,输入维度均为28列。

import tensorflow as tf 
from tensorflow.examples.tutorials.mnist import input_data

mnist = input_data.read_data_sets("MNIST_data",one_hot = "true")

lr = 0.001          #学习率
training_iters = 1000000        #学习世代数
batch_size = 128                #每一轮进入训练的训练量

n_inputs = 28                   #输入每一个隐含层的inputs维度
n_steps = 28                    #一共分为28次输入
n_hidden_units = 128           #每一个隐含层的神经元个数
n_classes = 10                  #输出共有10个

x = tf.placeholder(tf.float32,[None,n_steps,n_inputs])
y = tf.placeholder(tf.float32,[None,n_classes])

weights = {
  'in':tf.Variable(tf.random_normal([n_inputs,n_hidden_units])),
  'out':tf.Variable(tf.random_normal([n_hidden_units,n_classes]))
}

biases = {
  'in':tf.Variable(tf.constant(0.1,shape=[n_hidden_units])),
  'out':tf.Variable(tf.constant(0.1,shape=[n_classes]))
}

def RNN(X,weights,biases):
  #X最开始的形状为(128 batch,28 steps,28 inputs)
  #转化为(128 batch*28 steps,128 hidden)
  X = tf.reshape(X,[-1,n_inputs])
  #经过乘法后结果为(128 batch*28 steps,256 hidden)
  X_in = tf.matmul(X,weights['in'])+biases['in']
  #再次转化为(128 batch,28 steps,256 hidden) 
  X_in = tf.reshape(X_in,[-1,n_steps,n_hidden_units])
  
  RNN_cell = tf.nn.rnn_cell.BasicRNNCell(n_hidden_units,activation=tf.nn.tanh)
  _init_state =  RNN_cell.zero_state(batch_size,tf.float32)

  outputs,states = tf.nn.dynamic_rnn(RNN_cell,X_in,initial_state = _init_state,time_major = False)

  results = tf.matmul(states,weights['out'])+biases['out']

  return results

pre = RNN(x,weights,biases)
cost = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(logits = pre,labels = y))
train_op = tf.train.AdamOptimizer(lr).minimize(cost)

correct_pre = tf.equal(tf.argmax(y,1),tf.argmax(pre,1))
accuracy = tf.reduce_mean(tf.cast(correct_pre,tf.float32))
init = tf.initialize_all_variables()

with tf.Session() as sess:
  sess.run(init)
  step = 0
  while step*batch_size <training_iters:
      batch_xs,batch_ys = mnist.train.next_batch(batch_size)
      batch_xs = batch_xs.reshape([batch_size,n_steps,n_inputs])
      sess.run(train_op,feed_dict = {
          x:batch_xs,
          y:batch_ys
      })
      if step%20 == 0:
          print(sess.run(accuracy,feed_dict = {
              x:batch_xs,
              y:batch_ys
          }))
      step += 1

以上就是python人工智能tensorflow构建循环神经网络RNN的详细内容,更多关于tensorflow构建循环神经网络RNN的资料请关注编程教程其它相关文章!

下一章:python 使用tensorflow构建长短时记忆LSTM

 LSTM简介1、RNN的梯度消失问题在过去的时间里我们学习了RNN循环神经网络,其结构示意图是这样的:其存在的最大问题是,当w1、w2、w3这些值小于0时,如果一句话 ...