RNN、LSTM、GRU 网络使用教程 (一)

  • 在 RNN实战-姓名分类 中介绍了最基础 RNN 网络结构的搭建，个人感觉对 RNN 网络结构的理解与使用远远不够，缺乏普遍性。
  • 本文将对 pytorch 中的 RNN 网络结构的使用进行介绍，力求在代码逻辑层面达到普遍性。
  • 本文暂不涉及网络结构的数学理论基础，后续单独补。

Step1-数据处理

无论是 RNN、LSTM、GRU 的哪一种网络结构，它们对于输入都有统一的要求，输入的数据都是序列数据。格式必须是 (batch, time_step, input_size) 。

  • batch：该批次样本数，可以为1.
  • time_step: 样本的序列长度。(对于 pytorch, 不同样本之间，序列长度可以不相同，这点后面会说)
  • input_size: 样本每条序列的特征数目。(无论是样本还是序列之间，input_size 必须相同)

由于它对于输入数据格式的特殊性，个人感觉这也是使用 RNN 的一个难点，我们要想办法把我们的训练数据处理成 RNN 网络能够接收的格式。对于这点，会在后面的实战教程中具体操作，仅供参考。

本文中选取的案例是 用 sin 的曲线预测出 cos 的曲线.

import torch
from torch import nn
import numpy as np
import matplotlib.pyplot as plt

# rnn time step
TIME_STEP = 10 
# rnn input size
INPUT_SIZE = 1     
LR = 0.02   
steps = np.linspace(0, np.pi*2, 100, dtype=np.float32)
# input data
x = np.sin(steps)
# output data
y = np.cos(steps)
plt.plot(steps, x, 'b-', label='input (sin)')
plt.plot(steps, y, 'r-', label='output (cos)')
plt.legend(loc='best')
plt.show()
image.png

Step2 - 定义网络结构

(所有返回结果)

class RNN(nn.Module):
    def __init__(self):
        super(RNN, self).__init__()
        self.rnn = nn.RNN(
            input_size=1,
            hidden_size=32,
            num_layers=1,
            batch_first=True
        )
        self.out = nn.Linear(32,1)

    def forward(self, x, h_state):
        r_out, h_state = self.rnn(x, h_state)
        """这里我们选取输出的所有返回结果，后面也会有选取最后一个预测结果的情况"""
        outs = []
        for time_step in range(r_out.size(1)):
            outs.append(self.out(r_out[:, time_step, :]))
        return torch.stack(outs, dim=1), h_state

rnn = RNN()

Step3 - 定义损失函数

loss_func = nn.MSELoss()

Step4 - 定义优化器

optimizer = torch.optim.Adam(rnn.parameters(), lr=LR)

Step5 - 模型训练 & Step6 - 验证模型效果

这里，我们把模型的训练和模型效果验证放在一起执行。

plt.figure(1, figsize=(12, 5))
plt.ion()

h_state = None

for step in range(100):
    # 开始，结束的范围
    start, end = step * np.pi, (step+1)*np.pi
    # 生成 input 数据和 output 数据， TIME_STEP为10  
    steps = np.linspace(start, end, TIME_STEP, dtype=np.float32, endpoint=False)
    x_np = np.sin(steps)
    y_np = np.cos(steps)
    x = torch.from_numpy(x_np[np.newaxis, :, np.newaxis])
    y = torch.from_numpy(y_np[np.newaxis, :, np.newaxis])
    # 这里的 prediction 在前面定以网络结构时返回的是一系列结果，也就是一个 step 就会输出一个结果，所以这里 prediction 的就是 10 个结果。
    prediction, h_state = rnn(x, h_state)
    # 注意 这里要把 h_state 传回下一次的迭代
    h_state = h_state.data 
    
    # 计算损失函数
    loss = loss_func(prediction, y) 
    # 梯度清零
    optimizer.zero_grad()  
    # 反向传播
    loss.backward()     
    # 更新参数
    optimizer.step()

    # 可视化训练过程
    plt.plot(steps, y.flatten(), 'r-')
    plt.plot(steps, prediction.data.numpy().flatten(), 'b-')

plt.ioff()
plt.show()

模型效果：


image.png

可以看到，随着模型的迭代，模型的预测越来越符合真实数据，说明模型的训练是有价值的。

  • 下面我们改变网络结构中的 forward ，每次只返回最后的一个结果。

Step2 - 定义网络结构

(最后一条返回结果)

class RNN(nn.Module):
    def __init__(self):
        super(RNN, self).__init__()
        self.rnn = nn.RNN(
            input_size=1,
            hidden_size=32,
            num_layers=1,
            batch_first=True
        )
        self.out = nn.Linear(32,1)

    def forward(self, x, h_state):
        r_out, h_state = self.rnn(x, h_state)
        """这里我们选取最后一个预测结果"""
        out = self.out(r_out[:,-1,:])
        return out, h_state
    
rnn = RNN()
  • 这里的 损失函数 和 优化器 不变

Step5 - 模型训练 & Step6 - 验证模型效果

h_state = None

for step in range(100):
    # 开始，结束的范围
    start, end = step * np.pi, (step+1)*np.pi
    # 生成 input 数据和 output 数据， TIME_STEP 为 10  
    steps = np.linspace(start, end, TIME_STEP, dtype=np.float32, endpoint=False)
    x_np = np.sin(steps)
    y_np = np.cos(steps)

    x = torch.from_numpy(x_np[np.newaxis, :, np.newaxis]) 
    # 注意这里因为我们定位网络时只要最后一个结果，所以这里真实数据也只要最后一个数据。
    y = torch.from_numpy(y_np[np.newaxis, -1, np.newaxis])
    
    prediction, h_state = rnn(x, h_state)
    # 注意 这里要把 h_state 传回下一次的迭代
    h_state = h_state.data 
    
    # 计算损失函数
    loss = loss_func(prediction, y) 
    # 梯度清零
    optimizer.zero_grad()  
    # 反向传播
    loss.backward()     
    # 更新参数
    optimizer.step()
    
    print(loss.item())

我们可以根据输出的 loss 观察模型的训练效果，这里没有展示输出结果，事实上 loss 会随着模型的迭代不断的降低。

  • 在前面的模型训练中输入的序列长度都是一样的 (10)。对于 pytorch 来说，它还可以更好的变长序列。下面我们改变输入的序列长度，观察模型的训练效果。

变长序列处理

这里使用的是第一种网络结构，选取所有返回结果，我们需要改一下模型训练的代码，使输入的序列长度是动态的。

plt.figure(1, figsize=(12, 5))
plt.ion()

h_state = None

for i in range(100):
    # 随机序列长度
    dynamic_steps = np.random.randint(1, 4)
    # 开始，结束的范围
    start, end = step * np.pi, (step + dynamic_steps)*np.pi
    step = step + dynamic_steps
    # 生成 input 数据和 output 数据， TIME_STEP为 dynamic_steps * TIME_STEP
    steps = np.linspace(start, end, dynamic_steps * TIME_STEP, dtype=np.float32, endpoint=False)
    print(len(steps))
    x_np = np.sin(steps)
    y_np = np.cos(steps)
    x = torch.from_numpy(x_np[np.newaxis, :, np.newaxis])
    y = torch.from_numpy(y_np[np.newaxis, :, np.newaxis])

    prediction, h_state = rnn(x, h_state)
    # 注意 这里要把 h_state 传回下一次的迭代
    h_state = h_state.data 
    
    # 计算损失函数
    loss = loss_func(prediction, y) 
    # 梯度清零
    optimizer.zero_grad()  
    # 反向传播
    loss.backward()     
    # 更新参数
    optimizer.step()

    # 可视化训练过程
    plt.plot(steps, y.flatten(), 'r-')
    plt.plot(steps, prediction.data.numpy().flatten(), 'b-')
   
plt.ioff()
plt.show()

模型效果:


image.png

可以看到，即使对于变长的序列，模型的预测随着不断迭代越来越符合真实数据。

最后编辑于 ：
©著作权归作者所有,转载或内容合作请联系作者
  • 人面猴
    序言：七十年代末，一起剥皮案震惊了整个滨河市，随后出现的几起案子，更是在滨河造成了极大的恐慌，老刑警刘岩，带你破解...
    沈念sama阅读 204,684评论 6赞 478
  • 死咒
    序言：滨河连续发生了三起死亡事件，死亡现场离奇诡异，居然都是意外死亡，警方通过查阅死者的电脑和手机，发现死者居然都...
    沈念sama阅读 87,143评论 2赞 381
  • 救了他两次的神仙让他今天三更去死
    文/潘晓璐 我一进店门，熙熙楼的掌柜王于贵愁眉苦脸地迎上来，“玉大人，你说我怎么就摊上这事。” “怎么了？”我有些...
    开封第一讲书人阅读 151,214评论 0赞 337
  • 道士缉凶录：失踪的卖姜人
    文/不坏的土叔 我叫张陵，是天一观的道长。 经常有香客问我，道长，这世上最难降的妖魔是什么？ 我笑而不...
    开封第一讲书人阅读 54,788评论 1赞 277
  • 港岛之恋（遗憾婚礼）
    正文 为了忘掉前任，我火速办了婚礼，结果婚礼上，老公的妹妹穿的比我还像新娘。我一直安慰自己，他们只是感情好，可当我...
    茶点故事阅读 63,796评论 5赞 368
  • 恶毒庶女顶嫁案：这布局不是一般人想出来的
    文/花漫 我一把揭开白布。 她就那样静静地躺着，像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上，一...
    开封第一讲书人阅读 48,665评论 1赞 281
  • 城市分裂传说
    那天，我揣着相机与录音，去河边找鬼。 笑死，一个胖子当着我的面吹牛，可吹牛的内容都是我干的。 我是一名探鬼主播，决...
    沈念sama阅读 38,027评论 3赞 399
  • 双鸳鸯连环套：你想象不到人心有多黑
    文/苍兰香墨 我猛地睁开眼，长吁一口气：“原来是场噩梦啊……” “哼！你这毒妇竟也来了？” 一声冷哼从身侧响起，我...
    开封第一讲书人阅读 36,679评论 0赞 258
  • 万荣杀人案实录
    序言：老挝万荣一对情侣失踪，失踪者是张志新（化名）和其女友刘颖，没想到半个月后，有当地人在树林里发现了一具尸体，经...
    沈念sama阅读 41,346评论 1赞 299
  • 护林员之死
    正文 独居荒郊野岭守林人离奇死亡，尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 35,664评论 2赞 321
  • 白月光启示录
    正文 我和宋清朗相恋三年，在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 37,766评论 1赞 331
  • 活死人
    序言：一个原本活蹦乱跳的男人离奇死亡，死状恐怖，灵堂内的尸体忽然破棺而出，到底是诈尸还是另有隐情，我是刑警宁泽，带...
    沈念sama阅读 33,412评论 4赞 321
  • 日本核电站爆炸内幕
    正文 年R本政府宣布，位于F岛的核电站，受9级特大地震影响，放射性物质发生泄漏。R本人自食恶果不足惜，却给世界环境...
    茶点故事阅读 39,015评论 3赞 307
  • 男人毒药：我在死后第九天来索命
    文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹，春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 29,974评论 0赞 19
  • 一桩弑父案，背后竟有这般阴谋
    文/苍兰香墨 我抬头看了看天上的太阳。三九已至，却和暖如春，着一层夹袄步出监牢的瞬间，已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 31,203评论 1赞 260
  • 情欲美人皮
    我被黑心中介骗来泰国打工， 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留，地道东北人。 一个月前我还...
    沈念sama阅读 45,073评论 2赞 350
  • 代替公主和亲
    正文 我出身青楼，却偏偏与公主长得像，于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子，可洞房花烛夜当晚...
    茶点故事阅读 42,501评论 2赞 343