Skip to content

Latest commit

 

History

History
198 lines (161 loc) · 7.56 KB

rnn-concise.md

File metadata and controls

198 lines (161 loc) · 7.56 KB
Raw

循环神经网络的简明实现

🏷️sec_rnn-concise

虽然 :numref:sec_rnn_scratch 对于了解如何实施 RNs 是有启发性的，但这并不方便或快速。本节将介绍如何使用深度学习框架的高级 API 提供的函数更有效地实现相同的语言模型。我们像以前一样从读取时间机器数据集开始。

from d2l import mxnet as d2l
from mxnet import np, npx
from mxnet.gluon import nn, rnn
npx.set_np()

batch_size, num_steps = 32, 35
train_iter, vocab = d2l.load_data_time_machine(batch_size, num_steps)

#@tab pytorch
from d2l import torch as d2l
import torch
from torch import nn
from torch.nn import functional as F

batch_size, num_steps = 32, 35
train_iter, vocab = d2l.load_data_time_machine(batch_size, num_steps)

定义模型

高级 API 提供循环神经网络的实现。我们构建了单个隐藏层和 256 个隐藏单元的循环神经网络层 rnn_layer。事实上，我们甚至还没有讨论拥有多层的意义-这将在 :numref:sec_deep_rnn 中发生。现在，只要说多个层只是相当于一层 RNN 的输出，被用作 RNN 下一层的输入。

num_hiddens = 256
rnn_layer = rnn.RNN(num_hiddens)
rnn_layer.initialize()

#@tab pytorch
num_hiddens = 256
rnn_layer = nn.RNN(len(vocab), num_hiddens)

:begin_tab:mxnet 初始化隐藏状态很简单。我们调用了成员函数 begin_state。这将返回一个列表 (state)，其中包含微型批处理中每个示例的初始隐藏状态，其形状为（隐藏层数、批次大小、隐藏单位数）。对于稍后介绍的某些模型（例如，长短期记忆），这样的列表还包含其他信息。 :end_tab:

:begin_tab:pytorch 我们使用张量来初始化隐藏状态，其形状是（隐藏层的数量，批量大小，隐藏单位数）。 :end_tab:

state = rnn_layer.begin_state(batch_size=batch_size)
len(state), state[0].shape

#@tab pytorch
state = torch.zeros((1, batch_size, num_hiddens))
state.shape

通过隐藏状态和输入，我们可以使用更新的隐藏状态计算输出。需要强调的是，rnn_layer 的 “输出” (Y) * 不涉及输出层的计算：它指的是 * 每个 * 时间步长处的隐藏状态，并且它们可以用作后续输出层的输入。

:begin_tab:mxnet 此外，rnn_layer 返回的更新隐藏状态 (state_new) 是指微型批次的 * 最后 * 时间步长处的隐藏状态。它可以用于在顺序分区中初始化一个时代内下一个微型批处理的隐藏状态。对于多个隐藏图层，每个图层的隐藏状态将存储在此变量 (state_new) 中。对于稍后引入的某些模型（例如，长短期记忆），此变量还包含其他信息。 :end_tab:

X = np.random.uniform(size=(num_steps, batch_size, len(vocab)))
Y, state_new = rnn_layer(X, state)
Y.shape, len(state_new), state_new[0].shape

#@tab pytorch
X = torch.rand(size=(num_steps, batch_size, len(vocab)))
Y, state_new = rnn_layer(X, state)
Y.shape, state_new.shape

与 :numref:sec_rnn_scratch 类似，我们定义了一个完整的 RNN 模型的 RNNModel 类。请注意，rnn_layer 只包含隐藏的循环图层，我们需要创建一个单独的输出层。

#@save
class RNNModel(nn.Block):
    """The RNN model."""
    def __init__(self, rnn_layer, vocab_size, **kwargs):
        super(RNNModel, self).__init__(**kwargs)
        self.rnn = rnn_layer
        self.vocab_size = vocab_size
        self.dense = nn.Dense(vocab_size)

    def forward(self, inputs, state):
        X = npx.one_hot(inputs.T, self.vocab_size)
        Y, state = self.rnn(X, state)
        # The fully-connected layer will first change the shape of `Y` to
        # (`num_steps` * `batch_size`, `num_hiddens`). Its output shape is
        # (`num_steps` * `batch_size`, `vocab_size`).
        output = self.dense(Y.reshape(-1, Y.shape[-1]))
        return output, state

    def begin_state(self, *args, **kwargs):
        return self.rnn.begin_state(*args, **kwargs)

#@tab pytorch
#@save
class RNNModel(nn.Module):
    """The RNN model."""
    def __init__(self, rnn_layer, vocab_size, **kwargs):
        super(RNNModel, self).__init__(**kwargs)
        self.rnn = rnn_layer
        self.vocab_size = vocab_size
        self.num_hiddens = self.rnn.hidden_size
        # If the RNN is bidirectional (to be introduced later),
        # `num_directions` should be 2, else it should be 1.
        if not self.rnn.bidirectional:
            self.num_directions = 1
            self.linear = nn.Linear(self.num_hiddens, self.vocab_size)
        else:
            self.num_directions = 2
            self.linear = nn.Linear(self.num_hiddens * 2, self.vocab_size)

    def forward(self, inputs, state):
        X = F.one_hot(inputs.T.long(), self.vocab_size)
        X = X.to(torch.float32)
        Y, state = self.rnn(X, state)
        # The fully connected layer will first change the shape of `Y` to
        # (`num_steps` * `batch_size`, `num_hiddens`). Its output shape is
        # (`num_steps` * `batch_size`, `vocab_size`).
        output = self.linear(Y.reshape((-1, Y.shape[-1])))
        return output, state

    def begin_state(self, device, batch_size=1):
        if not isinstance(self.rnn, nn.LSTM):
            # `nn.GRU` takes a tensor as hidden state
            return  torch.zeros((self.num_directions * self.rnn.num_layers,
                                 batch_size, self.num_hiddens), 
                                device=device)
        else:
            # `nn.LSTM` takes a tuple of hidden states
            return (torch.zeros((
                self.num_directions * self.rnn.num_layers,
                batch_size, self.num_hiddens), device=device),
                    torch.zeros((
                        self.num_directions * self.rnn.num_layers,
                        batch_size, self.num_hiddens), device=device))

培训和预测

在训练模型之前，让我们使用具有随机权重的模型进行预测。

device = d2l.try_gpu()
model = RNNModel(rnn_layer, len(vocab))
model.initialize(force_reinit=True, ctx=device)
d2l.predict_ch8('time traveller', 10, model, vocab, device)

#@tab pytorch
device = d2l.try_gpu()
model = RNNModel(rnn_layer, vocab_size=len(vocab))
model = model.to(device)
d2l.predict_ch8('time traveller', 10, model, vocab, device)

相当明显的是，这种模式根本不起作用。接下来，我们使用 :numref:sec_rnn_scratch 中定义的相同超参数调用 train_ch8，并使用高级 API 训练我们的模型。

#@tab all
num_epochs, lr = 500, 1
d2l.train_ch8(model, train_iter, vocab, lr, num_epochs, device)

与上一节相比，该模型实现了类似的困惑，尽管时间较短，因为代码通过深度学习框架的高级 API 进行了更好的优化。

摘要

  • 深度学习框架的高级 API 提供了 RNN 层的实现。
  • 高级 API 的 RNN 层返回输出和更新的隐藏状态，其中输出不涉及输出层计算。
  • 与从头开始使用其实现相比，使用高级 API 可以更快地进行 RNN 培训。

练习

  1. 您能否使用高级 API 对 RNN 模型进行过度拟合？
  2. 如果增加 RNN 模型中的隐藏层数，会发生什么情况？你能让模型工作吗？
  3. 使用 RNN 实现 :numref:sec_sequence 的自回归模型。

:begin_tab:mxnet Discussions :end_tab:

:begin_tab:pytorch Discussions :end_tab: