**RNN入门学习
**
原文地址:http://blog.csdn.net/hjimce/article/details/49095371
作者:hjimce
一、相关理论
RNN(Recurrent Neural Networks)中文名又称之为:循环神经网络(原来还有一个递归神经网络,也叫RNN,搞得我有点混了,菜鸟刚入门,对不上号)。在计算机视觉里面用的比较少,我目前看过很多篇计算机视觉领域的相关深度学习的文章,除了OCR、图片标注、理解问答等这些会把CNN和RNN结合起来,其它的很少见到。RNN主要用于序列问题,如自然语言、语音音频等领域,相比于CNN来说,简单很多,CNN包含:卷积层、池化层、全连接层、特征图等概念,RNN基本上就仅仅只是三个公式就可以搞定了,因此对于RNN我们只需要知道三个公式就可以理解RNN了。说实话,一开是听到循环神经网络这个名子,感觉好难的样子,因为曾经刚开始学CNN的时候,也有很多不懂的地方。还是不啰嗦了,……开始前,我们先回顾一下,简单的MLP三层神经网络模型:
简单MLP模型
上面那个图是最简单的浅层网络模型了,x为输入,s为隐藏层神经元,o为输出层神经元。然后U、V就是我们要学习的参数了。上面的图很简单,每层神经元的个数就只有一个,我们可以得到如下公式:
(1)隐藏层神经元的激活值为:
s=f(u*x+b1)
(2)然后输出层的激活值为:
o=f(v*s+b2)
这就是最简单的三层神经网络模型的计算公式了,如果对上面的公式,还不熟悉,建议还是看看神经网络的书,打好基础先。而其实RNN网络结构图,仅仅是在上面的模型上,加了一条连接线而已,RNN结构图:
RNN结构图
看到结构图,是不是觉得RNN网络好像很简单的样子,至少没有像CNN过程那么长。从上面的结构图看,RNN网络基础结构,就只有一个输入层、隐藏层、输出层,看起来好像跟传统浅层神经网络模型差不多(只包含输出层、隐藏层、输出层),唯一的区别是:上面隐藏层多了一天连接线,像圆圈一样的东东,而那条线就是所谓的循环递归,同时那个圈圈连接线也多了个一个参数W。还是先看一下RNN的展开图,比较容易理解:
我们直接看,上面展开图中,Ot的计算流程,看到隐藏层神经元st的输入包含了两个:来时xt的输入、来自st-1的输入。于是RNN,t时刻的计算公式如下:
(1)t时刻,隐藏层神经元的激活值为:
st=f(uxt+wst-1+b1)
(2)t时刻,输出层的激活值为:
ot=f(v*st+b2)
是不是感觉上面的公式,跟一开始给出的MLP,公式上就差那么一点点。仅仅只是上面的st计算的时候,在函数f变量计算的时候,多个一个w*st-1。
二、源码实现
下面结合代码,了解代码层面的RNN实现:
# -*- coding: utf-8 -*-"""Created on Thu Oct 08 17:36:23 2015@author: Administrator""" import numpy as npimport codecs data = open('text.txt', 'r').read() #读取txt一整个文件的内容为字符串str类型chars = list(set(data))#去除重复的字符print chars#打印源文件中包含的字符个数、去重后字符个数data_size, vocab_size = len(data), len(chars)print 'data has %d characters, %d unique.' % (data_size, vocab_size)#创建字符的索引表char_to_ix = { ch:i for i,ch in enumerate(chars) }ix_to_char = { i:ch for i,ch in enumerate(chars) }print char_to_ixhidden_size = 100 # 隐藏层神经元个数seq_length = 20 #learning_rate = 1e-1#学习率 #网络模型Wxh = np.random.randn(hidden_size, vocab_size)*0.01 # 输入层到隐藏层Whh = np.random.randn(hidden_size, hidden_size)*0.01 # 隐藏层与隐藏层Why = np.random.randn(vocab_size, hidden_size)*0.01 # 隐藏层到输出层,输出层预测的是每个字符的概率bh = np.zeros((hidden_size, 1)) #隐藏层偏置项by = np.zeros((vocab_size, 1)) #输出层偏置项#inputs t时刻序列,也就是相当于输入#targets t+1时刻序列,也就是相当于输出#hprev t-1时刻的隐藏层神经元激活值def lossFun(inputs, targets, hprev): xs, hs, ys, ps = {}, {}, {}, {} hs[-1] = np.copy(hprev) loss = 0 #前向传导 for t in xrange(len(inputs)): xs[t] = np.zeros((vocab_size,1)) #把输入编码成0、1格式,在input中,为0代表此字符未激活 xs[t][inputs[t]] = 1 hs[t] = np.tanh(np.dot(Wxh, xs[t]) + np.dot(Whh, hs[t-1]) + bh) # RNN的隐藏层神经元激活值计算 ys[t] = np.dot(Why, hs[t]) + by # RNN的输出 ps[t] = np.exp(ys[t]) / np.sum(np.exp(ys[t])) # 概率归一化 loss += -np.log(ps[t][targets[t],0]) # softmax 损失函数 #反向传播 dWxh, dWhh, dWhy = np.zeros_like(Wxh), np.zeros_like(Whh), np.zeros_like(Why) dbh, dby = np.zeros_like(bh), np.zeros_like(by) dhnext = np.zeros_like(hs[0]) for t in reversed(xrange(len(inputs))): dy = np.copy(ps[t]) dy[targets[t]] -= 1 # backprop into y dWhy += np.dot(dy, hs[t].T) dby += dy dh = np.dot(Why.T, dy) + dhnext # backprop into h dhraw = (1 - hs[t] * hs[t]) * dh # backprop through tanh nonlinearity dbh += dhraw dWxh += np.dot(dhraw, xs[t].T) dWhh += np.dot(dhraw, hs[t-1].T) dhnext = np.dot(Whh.T, dhraw) for dparam in [dWxh, dWhh, dWhy, dbh, dby]: np.clip(dparam, -5, 5, out=dparam) # clip to mitigate exploding gradients return loss, dWxh, dWhh, dWhy, dbh, dby, hs[len(inputs)-1]#预测函数,用于验证,给定seed_ix为t=0时刻的字符索引,生成预测后面的n个字符def sample(h, seed_ix, n): x = np.zeros((vocab_size, 1)) x[seed_ix] = 1 ixes = [] for t in xrange(n): h = np.tanh(np.dot(Wxh, x) + np.dot(Whh, h) + bh)#h是递归更新的 y = np.dot(Why, h) + by p = np.exp(y) / np.sum(np.exp(y)) ix = np.random.choice(range(vocab_size), p=p.ravel())#根据概率大小挑选 x = np.zeros((vocab_size, 1))#更新输入向量 x[ix] = 1 ixes.append(ix)#保存序列索引 return ixes n, p = 0, 0mWxh, mWhh, mWhy = np.zeros_like(Wxh), np.zeros_like(Whh), np.zeros_like(Why)mbh, mby = np.zeros_like(bh), np.zeros_like(by) # memory variables for Adagradsmooth_loss = -np.log(1.0/vocab_size)*seq_length # loss at iteration 0 while n<20000: #n表示迭代网络迭代训练次数。当输入是t=0时刻时,它前一时刻的隐藏层神经元的激活值我们设置为0 if p+seq_length+1 >= len(data) or n == 0: hprev = np.zeros((hidden_size,1)) # p = 0 # go from start of data #输入与输出 inputs = [char_to_ix[ch] for ch in data[p:p+seq_length]] targets = [char_to_ix[ch] for ch in data[p+1:p+seq_length+1]] #当迭代了1000次, if n % 1000 == 0: sample_ix = sample(hprev, inputs[0], 200) txt = ''.join(ix_to_char[ix] for ix in sample_ix) print '----\n %s \n----' % (txt, ) # RNN前向传导与反向传播,获取梯度值 loss, dWxh, dWhh, dWhy, dbh, dby, hprev = lossFun(inputs, targets, hprev) smooth_loss = smooth_loss * 0.999 + loss * 0.001 if n % 100 == 0: print 'iter %d, loss: %f' % (n, smooth_loss) # print progress # 采用Adagrad自适应梯度下降法,可参看博文:http://blog.csdn.net/danieljianfeng/article/details/42931721 for param, dparam, mem in zip([Wxh, Whh, Why, bh, by], [dWxh, dWhh, dWhy, dbh, dby], [mWxh, mWhh, mWhy, mbh, mby]): mem += dparam * dparam param += -learning_rate * dparam / np.sqrt(mem + 1e-8) #自适应梯度下降公式 p += seq_length #批量训练 n += 1 #记录迭代次数
参考文献:
1、http://www.wildml.com/2015/09/recurrent-neural-networks-tutorial-part-1-introduction-to-rnns/
2、http://blog.csdn.net/danieljianfeng/article/details/42931721
作者:hjimce 时间:2015.10.23 联系QQ:1393852684 原创文章,转载请保留原文地址、作者等信息*
Original url: Access
Created at: 2019-12-11 11:53:45
Category: default
Tags: none
未标明原创文章均为采集,版权归作者所有,转载无需和我联系,请注明原出处,南摩阿彌陀佛,知识,不只知道,要得到
最新评论