Pytorch实现基本循环神经网络RNN (3)

淩亂°似流年 2022-10-31 00:53 228阅读 0赞

## 1.47.Pytorch实现基本循环神经网络RNN (3) ##

Recurrent Neural networks(Rumelhart, 1986)主要用来处理序列型数据，具有对以往数据的记忆功能。下图所示，输入为input和一个状态Hidden0, 输出为output和hidden1.  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3RvdG8xMjk3NDg4NTA0_size_16_color_FFFFFF_t_70]  
一般地，对输入到RNN进行处理的第t个数据，也就是第t时刻，输出的隐藏状态可以表示为：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3RvdG8xMjk3NDg4NTA0_size_16_color_FFFFFF_t_70 1]  
在RNN对序列数据进行处理时，采用参数共享机制，即权重是相同的。RNN有很多变体，上述的是最简单的一种形式，中间也可以输入y(t)。**标准RNN如下：**  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3RvdG8xMjk3NDg4NTA0_size_16_color_FFFFFF_t_70 2]  
对时刻t，更新的方程为：  
![在这里插入图片描述][20210220174702244.png]  
在实际中使用nn.RNN()模式即可实现标准RNN的调用，下面通过讲解函数中的参数来具体讲解RNN的实用。nn.RNA有如下参数：  
**input\_size**：输入x 的特征数量  
**hidden\_size**：隐藏状态h 的特征数量  
**num\_layers**:网络层数，默认为1层。若2层，两个RNN单元进行堆叠，第2个RNN单元将第1个RNN单元的h 作为输入。  
**nonlinearity**：实用tanh或ReLU，默认是tanh  
**bias**：False代表不使用偏置b i h b\_\{ih\}bih和b h h b\_\{hh\}bhh，默认为True。  
**batch\_first**:决定输入数据的维度顺序。默认输入是(seq,batch,feature)，分别是RNN序列长度，批量数，特征维度。True表示(batch,seq,feature).  
**dropout**:接收一个0~1的数值，会在网络除最后一层之外的其他输出层加上dropout层，默认为0  
**bidirectional**：如果是True，表示双向的RNN。

维度流程详解：  
![在这里插入图片描述][20210220174822318.png]

>>> import torch.nn as nn
    >>> rnn = nn.RNN(10, 20, 2)
    >>> input = torch.randn(5, 3, 10)
    >>> h0 = torch.randn(2, 3, 20) # h0不初始化则全部为0
    >>> output, hn = rnn(input, h0)

建立了一个堆叠2层的RNN,可通过如下的属性获得权重和偏置参数：  
**RNN.weight\_ih\_l\[k\]**：表示第k kk层的input-hidden权重。如果k = 0 k=0k=0，表示第0层维度为(hidden\_size,input\_size),其他层的维度为(hidden\_size,num\_directions\*hidden\_size)，接收第k − 1 k-1k−1层传来的hidden特征。  
**RNN.weight\_hh\_l\[k\]**: 表示第k kk层的hidden-hidden权重，维度是(hidden\_size,hidden\_size)，接收第t − 1 t-1t−1时刻第k kk层的hidden特征。  
**RNN.bias\_ih\_l\[k\]**: 表示第k kk层的input-hidden的偏置，维度为(hidden\_size)  
**RNN.bias\_hh\_l\[k\]**: 表示第k kk层的hidden-hidden的偏置，维度为(hidden\_size)

>>> rnn.weight_ih_l0.size()
    torch.Size([20, 10])
    >>> rnn.weight_ih_l1.size()
    torch.Size([20, 20])
    >>> rnn.weight_hh_l0.size()
    torch.Size([20, 20])
    >>> rnn.weight_hh_l1.size()
    torch.Size([20, 20])

如果误差为负对数似然，则误差为：  
![在这里插入图片描述][20210220174935675.png]

**RNN的缺点：**  
根据前面的介绍可以了解RNN对以往数据的具有记忆性，但是存在的问题就是具有遗忘性，总是更加清楚地记得最近处理的记忆而遗忘之前发生的事情，只能很好地解决短时依赖的问题。因为梯度在反向传播的时候， 初始阶段的数据产生的梯度会由于指数级的相乘而很小。

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3RvdG8xMjk3NDg4NTA0_size_16_color_FFFFFF_t_70]: /images/20221024/87c32b58b451427cb9a12c9b7cd1536c.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3RvdG8xMjk3NDg4NTA0_size_16_color_FFFFFF_t_70 1]: /images/20221024/447037309f9547958e6db605d02af9f7.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3RvdG8xMjk3NDg4NTA0_size_16_color_FFFFFF_t_70 2]: /images/20221024/afb5e9666f5748b9b212e1011ae99c38.png
[20210220174702244.png]: /images/20221024/139ad5ce3ffa49bcaa8c4368e1822078.png
[20210220174822318.png]: /images/20221024/7dbb4ab6478242c890aa65a6ce6d8c00.png
[20210220174935675.png]: /images/20221024/ee258fa391264e418b3013b094fea889.png