教你从零开始在 TensorFlow 上搭建 RNN(完整代码)!

RNN 是什么?

递归神经网络,或者说 RNN,在数据能被按次序处理、数据点的不同排列亦会产生影响时就可以使用它。更重要的是,该次序可以是任意长度。

最直接的例子大概是一组数字的时间序列,根据此前的数值来预测接下来的数值。每个时间步(time-step)上,RNN 的输入是当前数值以及一个静态矢量,后者用来表示神经网络在此前的不同时间步所“看到”的东西。该静态矢量是 RNN 的编码存储,初始值设为零。

教你从零开始在 TensorFlow 上搭建 RNN(完整代码)!

RNN 处理系列数据的过程图解

设置 

我们会创建一个简单的 Echo-RNN,它能记住输入数据并在几个时间步之后与之呼应。首先要设置一些我们需要的限制,它们的意义下面会解释。

  1. from __future__ import print_function, division    

  2. import numpy as np    

  3. import tensorflow as tf    

  4. import matplotlib.pyplot as plt    

  5. num_epochs = 100    

  6. total_series_length = 50000    

  7. truncated_backprop_length = 15    

  8. state_size = 4    

  9. num_classes = 2    

  10. echo_step = 3    

  11. batch_size = 5    

  12. num_batches = total_series_length//batch_size//truncated_backprop_length

生成数据

现在生成训练数据,输入在本质上是一个随机的二元矢量。输出会是输入的“回响”(echo),把 echo_step 步骤移到右边。

  1. def generateData():    

  2. x = np.array(np.random.choice(2, total_series_length, p=[0.5, 0.5]))    

  3. y = np.roll(x, echo_step)    

  4. y[0:echo_step] = 0    

  5. x = x.reshape((batch_size, -1))  # The first index changing slowest, subseries as rows    

  6. y = y.reshape((batch_size, -1))    

  7. return (x, y)    

注意数据整形(data reshaping)步骤,这是为了将其装入有 batch_size 行的矩阵。神经网络根据神经元权重来逼近损失函数的梯度,通过这种方式来进行训练;该过程只会利用数据的一个小子集,即 mini-batch。数据整形把整个数据集装入矩阵,然后分割为这些 mini-batch。

教你从零开始在 TensorFlow 上搭建 RNN(完整代码)!整形后的数据矩阵图解。曲线箭头用以表示换了行的相邻时间步。浅灰色代表 0,深灰色代表 1。

创建计算图

TensorFlow 的工作方式会首先创建一个计算图,来确认哪些操作需要完成。计算图的输入和输出一般是多维阵列,即张量(tensor)。计算图或其中一部分,将被迭代执行。这既可以在 CPU、GPU,也可在远程服务器上执行。

变量和 placeholder

本教程中使用的两个最基础的 TensorFlow 数据结构是变量和 placeholder。每轮运行中,batch 数据会被喂给 placeholder,而后者是计算图的“起始点”。另外,前一轮输出的 RNN-state 会在 placeholder 中提供。

  1. batchX_placeholder = tf.placeholder(tf.float32, [batch_size, truncated_backprop_length])    

  2. batchY_placeholder = tf.placeholder(tf.int32, [batch_size, truncated_backprop_length])    

  3. init_state = tf.placeholder(tf.float32, [batch_size, state_size])    

神经网络的权重和偏差,被作为 TensorFlow 变量。这使得它们在每轮运行中保持一致,并对每次 batch 渐进式地更新。

  1. W = tf.Variable(np.random.rand(state_size+1, state_size), dtype=tf.float32)    

  2. b = tf.Variable(np.zeros((1,state_size)), dtype=tf.float32)    

  3. W2 = tf.Variable(np.random.rand(state_size, num_classes),dtype=tf.float32)    

  4. b2 = tf.Variable(np.zeros((1,num_classes)), dtype=tf.float32)    

下图展示的是作为输入的数据矩阵,现有的 batch——batchX_placeholder 在虚线长方形里。正如我们后来看到的,这一 ”batch 窗口“在每轮运行向右移动了 truncated_backprop_length 规定的步数,这便是箭头的意义。在下面的例子中,batch_size = 3, truncated_backprop_length = 3, and total_series_length = 36。注意这些数字只是出于可视化目的,代码中的数值并不一样。在几个数据点中,series order 指数以数字表示。

教你从零开始在 TensorFlow 上搭建 RNN(完整代码)!

Unpacking

这一步,要做的是搭建计算图中类似于真正的 RNN 计算的部分。首先,我们希望把 batch 数据分割为邻近的时间步。

  1. # Unpack columns    

  2. inputs_series = tf.unpack(batchX_placeholder, axis=1)    

  3. labels_series = tf.unpack(batchY_placeholder, axis=1)    

如同下图所示,这通过把 batch 中的列(axis = 1)解压到 Python 列表来实现。RNN 同时在时间序列的不同部分上训练;在现有 batch 例子中,是 4-6、16-18、28-30 步。使用以 “plural”_”series”为名的变量,是为了强调该变量是一个列表——代表了在每一个时间步有多个 entry 的时间序列。

教你从零开始在 TensorFlow 上搭建 RNN(完整代码)!

现有 batch 被分成列的图示,每个数据点上的数字是顺序指数,牵头指示相邻时间步。 

在我们的时间序列中,训练同时在三个地方完成。这需要在前馈是时同时保存三个  instances of states。这已经被考虑到了:你看得到的 init_state placeholder 有 batch_size 行。

Forward pass

下一步,我们会创建进行真实 RNN 运算的计算图部分。

  1. # Forward pass    

  2. current_state = init_state    

  3. states_series = []    

  4. for current_input in inputs_series:    

  5. current_input = tf.reshape(current_input, [batch_size, 1])    

  6. input_and_state_concatenated = tf.concat(1, [current_input, current_state])  # Increasing number of columns    

  7. next_state = tf.tanh(tf.matmul(input_and_state_concatenated, W) + b)  # Broadcasted addition    

  8. states_series.append(next_state)    

  9. current_state = next_state    

注意第六行的串联(concatenation),我们实际上想要做的,是计算两个仿射变形(affine transforms)的 current_input * Wa + current_state *Wbin,见下图。通过串联这两个张量,你会=只会使用一个矩阵乘法。偏差 b 的加法,会在 batch 里的所有样本上传播。

教你从零开始在 TensorFlow 上搭建 RNN(完整代码)!

上面代码示例中矩阵第八行的计算,非线性变形的反正切(arctan)被忽略。

你也许会好奇变量 truncated_backprop_length 其名称的含义。当一个 RNN 被训练,事实上它被作为是一个深度神经网络的特殊情况:在每一层有重复出现的权重。这些层不会展开到一开始的时候,这么干的计算成本太高,因而时间步的数量被截为有限的数目。在上面的图示中,误差在 batch 中被反向传播三步。

计算损失

这是计算图的最后一步,一个从状态到输出的全连接 softmax 层,让 classes 以 one-hot 格式编码, 然后计算 batch 的损失。

  1. logits_series = [tf.matmul(state, W2) + b2 for state in states_series] #Broadcasted addition    

  2. predictions_series = [tf.nn.softmax(logits) for logits in logits_series]    

  3. losses = [tf.nn.sparse_softmax_cross_entropy_with_logits(logits, labels) for logits, labels in zip(logits_series,labels_series)]    

  4. total_loss = tf.reduce_mean(losses)    

  5. train_step = tf.train.AdagradOptimizer(0.3).minimize(total_loss)    

最后一行加入的是训练功能。TensorFlow 会自动运行反向传播——对每一个 mini-batch,计算图会执行一次;网络权重会渐进式更新。

注意 API 调用 ”sparse_softmax_cross_entropy_with_logits“,它在内部自动计算 softmax,然后计算 cross-entropy。在我们的例子里,这些 class 是互相排斥的,要么是 1 要么是 0,这便是使用 “Sparse-softmax” 的原因。你可以在 API 中了解更多。

训练可视化

这里面有可视化函数,所以我们能在训练时看到神经网络中发生了什么。它会不断绘制损失曲线,展示训练输入、训练输出,以及在一个训练 batch 的不同样本序列上神经网络的现有预测。

  1. def plot(loss_list, predictions_series, batchX, batchY):    

  2. plt.subplot(2, 3, 1)    

  3. plt.cla()    

  4. plt.plot(loss_list)    

  5. for batch_series_idx in range(5):    

  6. one_hot_output_series = np.array(predictions_series)[:, batch_series_idx, :]    

  7. single_output_series = np.array([(1 if out[0] < 0.5 else 0) for out in one_hot_output_series])    

  8. plt.subplot(2, 3, batch_series_idx + 2)    

  9. plt.cla()    

  10. plt.axis([0, truncated_backprop_length, 0, 2])    

  11. left_offset = range(truncated_backprop_length)    

  12. plt.bar(left_offset, batchX[batch_series_idx, :], width=1, color="blue")    

  13. plt.bar(left_offset, batchY[batch_series_idx, :] * 0.5, width=1, color="red")    

  14. plt.bar(left_offset, single_output_series * 0.3, width=1, color="green")    

  15. plt.draw()    

  16. plt.pause(0.0001)    

 运行训练环节

到了把一切归总、训练网络的时候了。在  TensorFlow 中,计算图要在一个大环节中执行。新数据在每个小环节生成(并不是通常的方式,但它在这个例子中有用。以为所有东西都是可预测的)。

  1. with tf.Session() as sess:    

  2. sess.run(tf.initialize_all_variables())    

  3. plt.ion()    

  4. plt.figure()    

  5. plt.show()    

  6. loss_list = []    

  7. for epoch_idx in range(num_epochs):    

  8. x,y = generateData()    

  9. _current_state = np.zeros((batch_size, state_size))    

  10. print("New data, epoch", epoch_idx)    

  11. for batch_idx in range(num_batches):    

  12. start_idx = batch_idx * truncated_backprop_length    

  13. end_idx = start_idx + truncated_backprop_length    

  14. batchX = x[:,start_idx:end_idx]    

  15. batchY = y[:,start_idx:end_idx]    

  16. _total_loss, _train_step, _current_state, _predictions_series = sess.run(    

  17. [total_loss, train_step, current_state, predictions_series],    

  18. feed_dict={    

  19. batchX_placeholder:batchX,    

  20. batchY_placeholder:batchY,    

  21. init_state:_current_state    

  22. })    

  23. loss_list.append(_total_loss)    

  24. if batch_idx%100 == 0:    

  25. print("Step",batch_idx, "Loss", _total_loss)    

  26. plot(loss_list, _predictions_series, batchX, batchY)    

  27. plt.ioff()    

  28. plt.show()    

你可以看到,我们在每次迭代把 truncated_backprop_length 步骤向前移(第 15–19 行),但设置不同的移动幅度是可能的。该话题在下面进一步讨论。据雷锋网(公众号:雷锋网)了解,这么做的坏处是,truncated_backprop_length 需要比 time dependencies 大很多(在我们的例子中是三步),才能隔离相关训练数据。否则可能会有许多“丢失”,如下图。

教你从零开始在 TensorFlow 上搭建 RNN(完整代码)!

方块时间序列,升起的黑块代表 echo-output,在 echo input(黑块)三步之后激活。滑动 batch 窗口每次也移动三步,在我们的例子中,这意味着没有 batch 会隔离 dependency,所以它无法训练。

雷锋网提醒,这只是一个解释 RNN 工作原理的简单例子,该功能可以很容易地用几行代码编写出来。该神经网络将能够准确地学习 echo 行为,所以没有必要用测试数据。

该程序会随训练更新图表。请见下面的图例。蓝条代表训练输入信号(二元),红条表示训练输出的 echo,绿条是神经网络产生的 echo。不同的条形块代表了当前 batch 的不同样本序列。

我们的算法能够相当快速地学习该任务。左上角的图展示了随时函数的输出,但图中的尖刺是怎么回事?你可以好好想一想,答案在下面。

教你从零开始在 TensorFlow 上搭建 RNN(完整代码)!

损失、输入、输出训练数据(蓝、红)以及预测(绿)的可视化。

形成尖刺的原因是:我们正在开始一个新的小环节,生成新数据。由于矩阵被整形过,每一行的新单元与上一行的最后一个单元临近。除了第一行,所有行的开头几个单元有不会被包括在状态(state)里的 dependency,因此神经网络在第一个 batch 上的表现永远不怎么样。

整个系统

以下便是整个可运行的系统,你只需要复制粘贴然后运行。

  1. from __future__ import print_function, division    

  2. import numpy as np    

  3. import tensorflow as tf    

  4. import matplotlib.pyplot as plt    

  5. num_epochs = 100    

  6. total_series_length = 50000    

  7. truncated_backprop_length = 15    

  8. state_size = 4    

  9. num_classes = 2    

  10. echo_step = 3    

  11. batch_size = 5    

  12. num_batches = total_series_length//batch_size//truncated_backprop_length    

  13. def generateData():    

  14. x = np.array(np.random.choice(2, total_series_length, p=[0.5, 0.5]))    

  15. y = np.roll(x, echo_step)    

  16. y[0:echo_step] = 0    

  17. x = x.reshape((batch_size, -1))  # The first index changing slowest, subseries as rows    

  18. y = y.reshape((batch_size, -1))    

  19. return (x, y)    

  20. batchX_placeholder = tf.placeholder(tf.float32, [batch_size, truncated_backprop_length])    

  21. batchY_placeholder = tf.placeholder(tf.int32, [batch_size, truncated_backprop_length])    

  22. init_state = tf.placeholder(tf.float32, [batch_size, state_size])    

  23. W = tf.Variable(np.random.rand(state_size+1, state_size), dtype=tf.float32)    

  24. b = tf.Variable(np.zeros((1,state_size)), dtype=tf.float32)    

  25. W2 = tf.Variable(np.random.rand(state_size, num_classes),dtype=tf.float32)    

  26. b2 = tf.Variable(np.zeros((1,num_classes)), dtype=tf.float32)    

  27. # Unpack columns    

  28. inputs_series = tf.unpack(batchX_placeholder, axis=1)    

  29. labels_series = tf.unpack(batchY_placeholder, axis=1)    

  30. # Forward pass    

  31. current_state = init_state    

  32. states_series = []    

  33. for current_input in inputs_series:    

  34. current_input = tf.reshape(current_input, [batch_size, 1])    

  35. input_and_state_concatenated = tf.concat(1, [current_input, current_state])  # Increasing number of columns    

  36. next_state = tf.tanh(tf.matmul(input_and_state_concatenated, W) + b)  # Broadcasted addition    

  37. states_series.append(next_state)    

  38. current_state = next_state    

  39. logits_series = [tf.matmul(state, W2) + b2 for state in states_series] #Broadcasted addition    

  40. predictions_series = [tf.nn.softmax(logits) for logits in logits_series]    

  41. losses = [tf.nn.sparse_softmax_cross_entropy_with_logits(logits, labels) for logits, labels in zip(logits_series,labels_series)]    

  42. total_loss = tf.reduce_mean(losses)    

  43. train_step = tf.train.AdagradOptimizer(0.3).minimize(total_loss)    

  44. def plot(loss_list, predictions_series, batchX, batchY):    

  45. plt.subplot(2, 3, 1)    

  46. plt.cla()    

  47. plt.plot(loss_list)    

  48. for batch_series_idx in range(5):    

  49. one_hot_output_series = np.array(predictions_series)[:, batch_series_idx, :]    

  50. single_output_series = np.array([(1 if out[0] < 0.5 else 0) for out in one_hot_output_series])    

  51. plt.subplot(2, 3, batch_series_idx + 2)    

  52. plt.cla()    

  53. plt.axis([0, truncated_backprop_length, 0, 2])    

  54. left_offset = range(truncated_backprop_length)    

  55. plt.bar(left_offset, batchX[batch_series_idx, :], width=1, color="blue")    

  56. plt.bar(left_offset, batchY[batch_series_idx, :] * 0.5, width=1, color="red")    

  57. plt.bar(left_offset, single_output_series * 0.3, width=1, color="green")    

  58. plt.draw()    

  59. plt.pause(0.0001)    

  60. with tf.Session() as sess:    

  61. sess.run(tf.initialize_all_variables())    

  62. plt.ion()    

  63. plt.figure()    

  64. plt.show()    

  65. loss_list = []    

  66. for epoch_idx in range(num_epochs):    

  67. x,y = generateData()    

  68. _current_state = np.zeros((batch_size, state_size))    

  69. print("New data, epoch", epoch_idx)    

  70. for batch_idx in range(num_batches):    

  71. start_idx = batch_idx * truncated_backprop_length    

  72. end_idx = start_idx + truncated_backprop_length    

  73. batchX = x[:,start_idx:end_idx]    

  74. batchY = y[:,start_idx:end_idx]    

  75. _total_loss, _train_step, _current_state, _predictions_series = sess.run(    

  76. [total_loss, train_step, current_state, predictions_series],    

  77. feed_dict={    

  78. batchX_placeholder:batchX,    

  79. batchY_placeholder:batchY,    

  80. init_state:_current_state    

  81. })    

  82. loss_list.append(_total_loss)    

  83. if batch_idx%100 == 0:    

  84. print("Step",batch_idx, "Loss", _total_loss)    

  85. plot(loss_list, _predictions_series, batchX, batchY)    

  86. plt.ioff()    

  87. plt.show()    

via medium,原作者 Erik Hallström,雷锋网编译

   “TensorFlow & 神经网络算法高级应用班”要开课啦!

教你从零开始在 TensorFlow 上搭建 RNN(完整代码)!

从初级到高级,理论+实战,一站式深度了解 TensorFlow!

本课程面向深度学习开发者,讲授如何利用 TensorFlow 解决图像识别、文本分析等具体问题。课程跨度为 10 周,将从 TensorFlow 的原理与基础实战技巧开始,一步步教授学员如何在 TensorFlow 上搭建 CNN、自编码、RNN、GAN 等模型,并最终掌握一整套基于 TensorFlow 做深度学习开发的专业技能。

两名授课老师佟达、白发川身为 ThoughtWorks 的资深技术专家,具有丰富的大数据平台搭建、深度学习系统开发项目经验。

时间:每周二、四晚 20:00-21:00

开课时长:总学时 20 小时,分 10 周完成,每周2次,每次 1 小时

线上授课地址:http://www.mooc.ai/

相关文章:

一文读懂 CNN、DNN、RNN 内部网络结构区别

万事开头难!入门TensorFlow,这9个问题TF Boys 必须要搞清楚

TensorFlow在工程项目中的应用 公开课视频+文字转录(上) | AI 研习社

一文详解如何用 TensorFlow 实现基于 LSTM 的文本分类(附源码)

雷锋网版权文章,未经授权禁止转载。详情见。


教你从零开始在 TensorFlow 上搭建 RNN(完整代码)!

原创文章,作者:ItWorker,如若转载,请注明出处:https://blog.ytso.com/83423.html

(0)
上一篇 2021年8月12日 16:33
下一篇 2021年8月12日 16:33

相关推荐

发表回复

登录后才能评论