PHP前端开发
首页 Python正文

python中怎么使用tensorflow构建长短时记忆LSTM

百变鹏仔 2周前 (01-21) #Python
文章标签 长短

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，如果一句话够长，那么其在神经网络进行反向传播与前向传播时，存在梯度消失的问题。

0.925=0.07，如果一句话有20到30个字，那么第一个字的隐含层输出传递到最后，将会变为原来的0.07倍，相比于最后一个字的影响，大大降低。

其具体情况是这样的：

立即学习“Python免费学习笔记（深入）”；

长短时记忆网络就是为了解决梯度消失的问题出现的。

2、LSTM的结构

原始RNN的隐藏层只有一个状态h，从头传递到尾，它对于短期的输入非常敏感。

如果我们再增加一个状态c，让它来保存长期的状态，问题就可以解决了。

对于RNN和LSTM而言，其两个step单元的对比如下。

我们把LSTM的结构按照时间维度展开：

我们可以看出，在n时刻，LSTM的输入有三个：
 

1、当前时刻网络的输入值；
 

2、上一时刻LSTM的输出值；
 

3、上一时刻的单元状态。

LSTM的输出有两个：
 

1、当前时刻LSTM输出值；
 

2、当前时刻的单元状态。

3、LSTM独特的门结构

LSTM用两个门来控制单元状态cn的内容：
 

1、遗忘门（forget gate），它决定了上一时刻的单元状态cn-1有多少保留到当前时刻；
 

2、输入门（input gate），它决定了当前时刻网络的输入c’n有多少保存到单元状态。

LSTM用一个门来控制当前输出值hn的内容：
 

输出门（output gate），它决定了当前时刻单元状态cn有多少输出。

tensorflow中LSTM的相关函数

tf.contrib.rnn.BasicLSTMCell

tf.contrib.rnn.BasicLSTMCell(    num_units,    forget_bias=1.0,    state_is_tuple=True,    activation=None,    reuse=None,    name=None,    dtype=None)

num_units：RNN单元中的神经元数量，即输出神经元数量。

forget_bias：偏置增加了忘记门。手动将恢复的CudnnLSTM训练检查点(checkpoint)设置为0.0。

state_is_tuple：如果为True，则接受和返回的状态是c_state和m_state的2-tuple；如果为False，则他们沿着列轴连接。False即将弃用。

activation：激活函数。

reuse：描述是否在现有范围中重用变量。如果现有范围已经具有给定变量并且不为True，则会引发错误。

name：层的名称。

dtype：该层的数据类型。

在使用时，可以定义为：

lstm_cell = tf.contrib.rnn.BasicLSTMCell(self.cell_size, forget_bias=1.0, state_is_tuple=True)

在定义完成后，可以进行状态初始化：

self.cell_init_state = lstm_cell.zero_state(self.batch_size, dtype=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。

  • 矢量的大小由 sequence_length 参数决定，其类型为 Int32/Int64。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。较大的值会消耗更多的内存，但运算速度更快，而较小的值则使用较少的内存，但需要更长的计算时间。

  • time_major：输入和输出tensor的形状格式。这些张量的形状必须为[max_time, batch_size, depth]，若表述正确，则它为真。这些张量的形状必须是[batch_size，max_time，depth]，如果为假。time_major=true可以提高效率，因为它避免了在RNN计算的开头和结尾进行转置操作。默认情况下，此函数为False，因为大多数的 TensorFlow 数据以批处理主数据的形式存在。

  • scope：创建的子图的可变作用域；默认为“RNN”。

在LSTM的最后，需要用该函数得出结果。

self.cell_outputs, self.cell_final_state = tf.nn.dynamic_rnn(lstm_cell, self.l_in_y, initial_state=self.cell_init_state, time_major=False)

返回的是一个元组 (outputs, state)：

outputs：LSTM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LSTM的定义过程为：

    def add_input_layer(self,):        #X最开始的形状为(256 batch,28 steps,28 inputs)        #转化为(256 batch*28 steps,128 hidden)        l_in_x = tf.reshape(self.xs, [-1, self.input_size], name='to_2D')         #获取Ws和Bs        Ws_in = self._weight_variable([self.input_size, self.cell_size])        bs_in = self._bias_variable([self.cell_size])        #转化为(256 batch*28 steps,256 hidden)         with tf.name_scope('Wx_plus_b'):            l_in_y = tf.matmul(l_in_x, Ws_in) + bs_in                # (batch * n_steps, cell_size) ==> (batch, n_steps, cell_size)        # (256*28,256)->(256,28,256)        self.l_in_y = tf.reshape(l_in_y, [-1, self.n_steps, self.cell_size], name='to_3D')    def add_cell(self):        #神经元个数        lstm_cell = tf.contrib.rnn.BasicLSTMCell(self.cell_size, forget_bias=1.0, state_is_tuple=True)        #每一次传入的batch的大小        with tf.name_scope('initial_state'):            self.cell_init_state = lstm_cell.zero_state(self.batch_size, dtype=tf.float32)        #不是主列        self.cell_outputs, self.cell_final_state = tf.nn.dynamic_rnn(            lstm_cell, self.l_in_y, initial_state=self.cell_init_state, time_major=False)        def add_output_layer(self):        #设置Ws,Bs        Ws_out = self._weight_variable([self.cell_size, self.output_size])        bs_out = self._bias_variable([self.output_size])        # shape = (batch,output_size)        # (256,10)        with tf.name_scope('Wx_plus_b'):            self.pred = tf.matmul(self.cell_final_state[-1], Ws_out) + bs_out

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_dataimport numpy as npmnist = input_data.read_data_sets("MNIST_data",one_hot = "true")BATCH_SIZE = 256     # 每一个batch的数据数量TIME_STEPS = 28      # 图像共28行，分为28个step进行传输INPUT_SIZE = 28      # 图像共28列OUTPUT_SIZE = 10     # 共10个输出CELL_SIZE = 256      # RNN 的 hidden unit size，隐含层神经元的个数LR = 1e-3            # learning rate，学习率def get_batch():    #获取训练的batch    batch_xs,batch_ys = mnist.train.next_batch(BATCH_SIZE)          batch_xs = batch_xs.reshape([BATCH_SIZE,TIME_STEPS,INPUT_SIZE])    return [batch_xs,batch_ys]class LSTMRNN(object):  #构建LSTM的类    def __init__(self, n_steps, input_size, output_size, cell_size, batch_size):        self.n_steps = n_steps         self.input_size = input_size        self.output_size = output_size        self.cell_size = cell_size        self.batch_size = batch_size        #输入输出        with tf.name_scope('inputs'):            self.xs = tf.placeholder(tf.float32, [None, n_steps, input_size], name='xs')            self.ys = tf.placeholder(tf.float32, [None, output_size], name='ys')        #直接加层        with tf.variable_scope('in_hidden'):            self.add_input_layer()        #增加LSTM的cell        with tf.variable_scope('LSTM_cell'):            self.add_cell()        #直接加层        with tf.variable_scope('out_hidden'):            self.add_output_layer()        #计算损失值        with tf.name_scope('cost'):            self.compute_cost()        #训练        with tf.name_scope('train'):            self.train_op = tf.train.AdamOptimizer(LR).minimize(self.cost)        #正确率计算        self.correct_pre = tf.equal(tf.argmax(self.ys,1),tf.argmax(self.pred,1))        self.accuracy = tf.reduce_mean(tf.cast(self.correct_pre,tf.float32))    def add_input_layer(self,):        #X最开始的形状为(256 batch,28 steps,28 inputs)        #转化为(256 batch*28 steps,128 hidden)        l_in_x = tf.reshape(self.xs, [-1, self.input_size], name='to_2D')         #获取Ws和Bs        Ws_in = self._weight_variable([self.input_size, self.cell_size])        bs_in = self._bias_variable([self.cell_size])        #转化为(256 batch*28 steps,256 hidden)         with tf.name_scope('Wx_plus_b'):            l_in_y = tf.matmul(l_in_x, Ws_in) + bs_in                # (batch * n_steps, cell_size) ==> (batch, n_steps, cell_size)        # (256*28,256)->(256,28,256)        self.l_in_y = tf.reshape(l_in_y, [-1, self.n_steps, self.cell_size], name='to_3D')    def add_cell(self):        #神经元个数        lstm_cell = tf.contrib.rnn.BasicLSTMCell(self.cell_size, forget_bias=1.0, state_is_tuple=True)        #每一次传入的batch的大小        with tf.name_scope('initial_state'):            self.cell_init_state = lstm_cell.zero_state(self.batch_size, dtype=tf.float32)        #不是主列        self.cell_outputs, self.cell_final_state = tf.nn.dynamic_rnn(            lstm_cell, self.l_in_y, initial_state=self.cell_init_state, time_major=False)        def add_output_layer(self):        #设置Ws,Bs        Ws_out = self._weight_variable([self.cell_size, self.output_size])        bs_out = self._bias_variable([self.output_size])        # shape = (batch,output_size)        # (256,10)        with tf.name_scope('Wx_plus_b'):            self.pred = tf.matmul(self.cell_final_state[-1], Ws_out) + bs_out    def compute_cost(self):        self.cost =  tf.reduce_mean(            tf.nn.softmax_cross_entropy_with_logits(logits = self.pred,labels = self.ys)            )    def _weight_variable(self, shape, name='weights'):        initializer = np.random.normal(0.0,1.0 ,size=shape)        return tf.Variable(initializer, name=name,dtype = tf.float32)    def _bias_variable(self, shape, name='biases'):        initializer = np.ones(shape=shape)*0.1        return tf.Variable(initializer, name=name,dtype = tf.float32)if __name__ == '__main__':    #搭建 LSTMRNN 模型    model = LSTMRNN(TIME_STEPS, INPUT_SIZE, OUTPUT_SIZE, CELL_SIZE, BATCH_SIZE)    sess = tf.Session()    sess.run(tf.global_variables_initializer())        #训练10000次    for i in range(10000):        xs, ys = get_batch()  #提取 batch data        if i == 0:        #初始化data            feed_dict = {                    model.xs: xs,                    model.ys: ys,            }        else:            feed_dict = {                model.xs: xs,                model.ys: ys,                model.cell_init_state: state    #保持 state 的连续性            }                #训练        _, cost, state, pred = sess.run(            [model.train_op, model.cost, model.cell_final_state, model.pred],            feed_dict=feed_dict)                #打印精确度结果        if i % 20 == 0:            print(sess.run(model.accuracy,feed_dict = {                    model.xs: xs,                    model.ys: ys,                    model.cell_init_state: state    #保持 state 的连续性            }))
文章推荐
最新文章
标签列表
关于我们 | 联系我们 | 网站地图
本站为非盈利性网站,不接受任何赞助和广告。
特别声明：本网站尊重并保护知识产权，根据《信息网络传播权保护条例》，如果我们转载的作品侵犯了您的权利,请在一个月内通知我们，我们会及时删除。 | 举报邮箱：344225443@qq.com
互联网ICP备案： 陕ICP备2023000799号 Copyright 2023-2024 sharedbk.com All rights reserved | (c)2008-2024 共享博客