循环神经网络

Posted 2020-10-29 小丑_jk

tags:

篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了循环神经网络相关的知识，希望对你有一定的参考价值。

循环神经网络的简单实现：

import tensorflow as tf
x=[1,2]
state=[0.0,0.0]
w_cell_state=np.array([[0.1,0.2],[0.3,0.4]])
w_cell_input=np.array([0.5,0.6])
b_cell=np.array([0.1,-0.1])
w_output=np.array([1.0,2.0])
b_output=0.1
for i in range(len(x)):
    before_a=np.dot(state,w_cell_state)+x[i]*w_cell_input+b_cell    #初始状态state默认为[0,0]
    state=np.tanh(before_a)     #当前层的状态state
    final_out=np.dot(state,w_output)+b_output     #得到输出层结果
    print(before_a)
    print(\'state:\', state)
    print(\'final_out:\', final_out)

与单一tanh循环体结构不同，LSTM是一个拥有三个门结构的特殊网络结构。

LSTM靠一些门结构让信息有选择性的影响循环神经网络中每个时刻的状态，所谓的门结构就是一个使用sigmoid神经网络和一个按位做乘法的操作，这两个操作合在一起就是一个门结构。之所以该结构叫门是因为使用sigmoid作为激活函数的全连接神经网络层会

输出一个0到1之间的数值，描述当前输入有多少信息量可以通过这个结构。该结构功能就类似于一扇门，当门打开时（sigmoid神经网络输出为1时），全部信息都可以通过；当门关上时（sigmoid神经网络输出为0时），任何信息都无法通过。

LSTM单元结构示意图如下所示：

为了使循环神经网络更有效的保存长期记忆，遗忘门和输入门是LSTM核心，遗忘门的作用是让神经网络忘记之前没有用的信息，遗忘门会根据当前的输入x_t、上一时刻状态c_t-1和上一时刻输出h_t-1共同决定哪一部分记忆需要被遗忘。

在循环神经网络忘记了部分之前的状态后，它还需要从当前的输入补充最新的记忆。这个过程就是输入门完成的，输入门会根据x_t、c_t-1和h_t-1决定哪些部分进入当前时刻的状态c_t。比如当看到文章中提到环境被污染之后，模型需要将这个信息写入

新的状态，通过遗忘门和输入门，LSTM可以更有效的决定哪些信息应该被遗忘，哪些信息应该得到保留。

LSTM结构在计算得到新的状态c_t后需要产生当前时刻的输出，该过程通过输出门完成，输出门会根据最新的状态c_t、上一时刻的输出h_t-1和当前的输入x_t来决定该时刻的输出h_t。如下代码展示了tensorflow中实现LSTM结构的循环神经网络的前向传播过程：

#定义一个LSTM结构，通过一个简单的命令实现一个完整的LSTM结构
lstm=tf.contrib.rnn.BasicRNNCell(lstm_hidden_size)
#将LSTM中的状态初始化为全0数组，在优化循环神经网络时，每次也会使用一个batch的训练样本。
state=lstm.zero_state(batch_size,tf.float32)
loss=0.0
for i in range(num_steps):
    #在第一个时刻声明LSTM结构中使用的变量，在之后的时刻都需要复用之前定义好的变量
    if i>0:
        tf.get_variable_scope().reuse_variables()
        #每一步处理时间序列中的一个时刻，将当前输入(current_input)和前一时刻状态(state)传入定义的LSTM结构可以得到当前LSTM结构的输出lstm_output和更新后的状态state
        lstm_output,state=lstm(current_input,state)
        #将当前时刻LSTM结构的输出传入一个全连接层得到最后的输出
        final_output=fully_connected(lstm_output)
        #计算当前时刻输出的损失
        loss+=calc_loss(final_output,expected_output)

LSTM为克服无法很好的处理远距离依赖而提出

一、传统的LSTM结构：

参考：https://blog.csdn.net/zhangxb35/article/details/70060295?locationNum=2&fps=1

参考：https://blog.csdn.net/u010751535/article/details/59536631

参考：https://www.cnblogs.com/taojake-ML/p/6272605.html

1、输入门：

2、遗忘门：

3、输出门：

4、当前状态：

当前状态的计算过程和下面LSTM的变种的计算过程相同。

5、输出结果：

h()为激活函数，将当前状态经激活函数后和输出门结果乘积，得到最终结果

二、LSTM的变体公式如下（比传统的LSTM计算多了上一层的状态c^t-1）：

（参考：https://www.cnblogs.com/taojake-ML/p/6272605.html）

（参考：https://blog.csdn.net/zhangxb35/article/details/70060295?locationNum=2&fps=1）

（参考：https://zybuluo.com/hanbingtao/note/581764 好文）

1、输入门：

输入门根据x^t，h^t-1，s^t-1来决定哪些部分进入当前时刻的状态

上一时刻的输出、上一时刻的状态、当前时刻的输入进行加权求和，再经激活函数得到输出结果（传统的LSTM的状态c在这里改成s）

其中表示当前时刻的输入，h^t-1表示上一时刻的输出，s^t-1表示上一时刻的状态（也即上一时刻的经过激活函数处理的门输出结果），c下标表示cell，f()表示激活函数。

I表示输入层的神经元个数，K是输出层的神经元个数，H是隐藏层H的个数。w_i1和w_i2分别表示输入门、遗忘门的权重。

2、遗忘门：

遗忘门根据x^t，h^t-1，s^t-1来决定哪些部分进入当前时刻的状态

同样是上一时刻的输出、上一时刻的状态、当前时刻的输入进行加权求和，再经激活函数得到输出结果

3、当前状态：

计算上一时刻的输出、当前时刻的输入进行加权求和，将遗忘门和输入门的结果作为权重，计算上一时刻状态和当前经激活函数处理的a_cell的加权和

4、输出门：

计算当前输入、上一时刻的输出、当前状态的加权和，并经激活函数得到输出结果

5、结果输出：

遗忘门和输入门经激活函数处理后返回结果在[0,1]区间，在计算当前状态的过程中，假若遗忘门结果取0，那么上一层的状态将不会对当前状态产生影响，也就表现为上一层的状态会被遗忘（这也就是门结构的由来）。然后则只关注这个时刻的输入，输入门决定了是否接受现在时刻的输入。

最后通过输出门的结果来决定是否输出当前状态。

变体LSTM图形如下：

（资料来源：引自 Alex Graves 的论文 Supervised Sequence Labelling with Recurrent Neural Networks 中对 LSTM 的描述）

一个以LSTM为模型的实现的例子如下所示：

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
training_iters=100000
batch_size=128
n_inputs=28     #mnist data input (img shape:28*28)
n_steps=28
n_hidden_units=128   #neurons in hidden layer
n_classes=10     #mnist classes

x=tf.placeholder(tf.float32,[None,n_steps,n_inputs])
y=tf.placeholder(tf.float32,[None,n_classes])
weight={
\'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,weight,biases):
    X=tf.reshape(X,[-1,n_inputs])
    X_in=tf.matmul(X,weight[\'in\'])+biases[\'in\']     #shape=[n_steps,n_hidden_units]   biases_shape=[n_hidden_units]
    X_in=tf.reshape(X_in,[-1,n_steps,n_hidden_units])
    lstm_cell=tf.contrib.rnn.BasicLSTMCell(n_hidden_units,forget_bias=1.0,state_is_tuple=True)
    init_state=lstm_cell.zero_state(batch_size,dtype=tf.float32)
    outputs,final_state=tf.nn.dynamic_rnn(lstm_cell,X_in,initial_state=init_state,time_major=False)
    results=tf.matmul(final_state[1],weight[\'out\'])+biases[\'out\']
    return results
pred=RNN(x,weight,biases)
cost=tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(logits=pred,labels=y))
train_op=tf.train.AdamOptimizer(lr).minimize(cost)

correct_pred=tf.equal(tf.argmax(pred,1),tf.argmax(y,1))
accuracy=tf.reduce_mean(tf.cast(correct_pred,tf.float32))
init=tf.global_variables_initializer()
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