1. 磐创智能首页
  2. TensorFlow教程

TensorFlow系列专题(八):七步带你实现RNN循环神经网络小示例

【前言】:在前面的内容里,我们已经学习了循环神经网络的基本结构和运算过程,这一小节里,我们将用TensorFlow实现简单的RNN,并且用来解决时序数据的预测问题,看一看RNN究竟能达到什么样的效果,具体又是如何实现的。

在这个演示项目里,我们使用随机生成的方式生成一个数据集(由0和1组成的二进制序列),然后人为的增加一些数据间的关系。最后我们把这个数据集放进RNN里,让RNN去学习其中的关系,实现二进制序列的预测。数据生成的方式如下:

循环生成规模为五十万的数据集,每次产生的数据为0或1的概率均为0.5。如果连续生成了两个1(或两个0)的话,则下一个数据强制为0(或1)。

1. 我们首先导入需要的Python模块:

#!/usr/bin/python
 # -*- coding: UTF-8 -*-
 import numpy as np
 import tensorflow as tf
 import matplotlib.pyplot as plt
 from tensorflow.contrib import rnn

2. 定义一个Data类,用来产生数据:

class Data:
    def __init__(self, data_size, num_batch, batch_size, time_step):
        self.data_size = data_size      # 数据集的大小
        self.batch_size = batch_size    # 一个batch的大小
        self.num_batch = num_batch   # batch的数目(num_batch=data_size//batch_size)
        self.time_step = time_step     # RNN的时间步
        self.data_without_rel = []      # 保存随机生成的数据,数据间没有联系
        self.data_with_rel = []         # 保存有时序关系的数据

3. 在构造方法”init“中,我们初始化了数据集的大小”data_size”、一个batch的大小”batch_size”、一个epoch中的batch数目”num_batch”以及RNN的时间步”time_step”。接下来我们定义一个”generate_data”方法:

def generate_data(self):
    # 随机生成数据
    self.data_without_rel = np.array(np.random.choice(2, size=(self.data_size,)))

    for i in range(self.data_size):
        if self.data_without_rel[i-1] == 1 and self.data_without_rel[i-2] == 1:
            # 之前连续出现两个1,当前数据设为0
            self.data_with_rel.append(0)
            continue
        elif self.data_without_rel[i-1] == 0 and self.data_without_rel[i-2] == 0:
            # 之前连续出现两个0,当前数据设为1
            self.data_with_rel.append(1)
            continue
        # np.random.rand()产生的随机数范围:[0,1]
        else:
            if np.random.rand() >= 0.5:
                self.data_with_rel.append(1)
            else:
                self.data_with_rel.append(0)
    return self.data_without_rel, self.data_with_rel

在第11行代码中,我们用了 “np.random.choice”函数生成的由0和1组成的长串数据。接下来我们用了一个for循环,在”data_without_rel”保存的数据的基础上重新生成了一组数据,并保存在”data_with_rel”数组中。为了使生成的数据间具有一定的序列关系,我们使用了前面介绍的很简单的数据生成方式:以”data_without_rel”中的数据为参照,如果出现了连续两个1(或0)则生成一个0(或1),其它情况则以相等概率随机生成0或1。

有了数据我们接下来要用RNN去学习这些数据,看看它能不能学习到我们产生这些数据时使用的策略,即数据间的联系。评判RNN是否学习到规律以及学习的效果如何的依据,是我们在第三章里介绍过的交叉熵损失函数。根据我们生成数据的规则,如果RNN没有学习到规则,那么它预测正确的概率就是0.5,否则它预测正确的概率为:(在”data_without_rel”中,连续出现的两个数字的组合为:00、01、10和11。00和11出现的总概率占0.5,在这种情况下,如果RNN学习到了规律,那么一定能预测出下一个数字,00对应1,11对应0。而如果出现的是01或10的话,RNN预测正确的概率就只有0.5,所以综合起来就是0.75)。

根据交叉熵损失函数,在没有学习到规律的时候,其交叉熵损失为:

loss = – (0.5 * np.log(0.5) + 0.5 * np.log(0.5)) = 0.6931471805599453

在学习到规律的时候,其交叉熵损失为:

Loss = -0.5*(0.5 * np.log(0.5) + np.log(0.5))

=-0.25 * (1 * np.log(1) ) – 0.25 * (1 * np.log(1))=0.34657359027997264

4. 我们定义”generate_epochs”方法处理生成的数据:

def generate_epochs(self):
    # 生成数据
    self.generate_data()

    data_x = np.zeros([self.num_batch, self.batch_size], dtype=np.int32)
    data_y = np.zeros([self.num_batch, self.batch_size], dtype=np.int32)

    # 将数据划分成num_batch组
    for i in range(self.num_batch):
        data_x[i] = self.data_without_rel[self.batch_size * i:self.batch_size * (i + 1)]
        data_y[i] = self.data_with_rel[self.batch_size * i:self.batch_size * (i + 1)]
    # 将每个batch的数据按time_step进行切分
    epoch_size = self.batch_size // self.time_step

    # 返回最终的数据
    for i in range(epoch_size):
        x = data_x[:, self.time_step * i:self.time_step * (i + 1)]
        y = data_y[:, self.time_step * i:self.time_step * (i + 1)]
        yield (x, y)

5. 接下来实现RNN部分:

class Model:
    def __init__(self, data_size, batch_size, time_step, state_size):
        self.data_size = data_size
        self.batch_size = batch_size
        self.num_batch = self.data_size // self.batch_size
        self.time_step = time_step
        self.state_size = state_size

    # 输入数据的占位符
    self.x = tf.placeholder(tf.int32, [self.num_batch, self.time_step], name='input_placeholder')
    self.y = tf.placeholder(tf.int32, [self.num_batch, self.time_step], name='labels_placeholder')

    # 记忆单元的占位符
    self.init_state = tf.zeros([self.num_batch, self.state_size])
    # 将输入数据进行one-hot编码
    self.rnn_inputs = tf.one_hot(self.x, 2)

    # 隐藏层的权重矩阵和偏置项
    self.W = tf.get_variable('W', [self.state_size, 2])
    self.b = tf.get_variable('b', [2], initializer=tf.constant_initializer(0.0))

    # RNN隐藏层的输出
    self.rnn_outputs, self.final_state = self.model()

    # 计算输出层的输出
    logits = tf.reshape( tf.matmul(tf.reshape(self.rnn_outputs, [-1, self.state_size]), self.W) + self.b, [self.num_batch, self.time_step, 2])

    self.losses = tf.nn.sparse_softmax_cross_entropy_with_logits(labels=self.y, logits=logits)
    self.total_loss = tf.reduce_mean(self.losses)
    self.train_step = tf.train.AdagradOptimizer(0.1).minimize(self.total_loss)

6. 定义RNN模型:

    def model(self):
        cell = rnn.BasicRNNCell(self.state_size)
        rnn_outputs, final_state = tf.nn.dynamic_rnn(cell, self.rnn_inputs, 
                                                      initial_state=self.init_state)
        return rnn_outputs, final_state

这里我们使用了”dynamic_rnn”,因此每次会同时处理所有batch的第一组数据,总共处理的次数为:batch_size / time_step。

    def train(self):
        with tf.Session() as sess:
            sess.run(tf.global_variables_initializer())
            training_losses = []
            d = Data(self.data_size, self.num_batch, self.batch_size, self.time_step)
            training_loss = 0
            training_state = np.zeros((self.num_batch, self.state_size))
            for step, (X, Y) in enumerate(d.generate_epoch()):
                tr_losses, training_loss_, training_state, _ = \
                    sess.run([self.losses, self.total_loss, self.final_state, self.train_step],
                             feed_dict={self.x: X, self.y: Y, self.init_state: training_state})
                training_loss += training_loss_
                if step % 20 == 0 and step > 0:
                    training_losses.append(training_loss/20)
                    training_loss = 0
        return training_losses

7. 到这里,我们已经实现了整个RNN模型,接下来初始化相关数据,看看RNN的学习效果如何:

if __name__ == '__main__':
    data_size = 500000
    batch_size = 2000
    time_step = 5
    state_size = 6

    m = Model(data_size, batch_size, time_step, state_size)
    training_losses = m.train()
    plt.plot(training_losses)
    plt.show()

定义数据集的大小为500000,每个batch的大小为2000,RNN的”时间步”设为5,隐藏层的神经元数目为6。将训练过程中的loss可视化,结果如下图中的左侧图像所示:

TensorFlow系列专题(八):七步带你实现RNN循环神经网络小示例

图1 二进制序列数据训练的loss曲线

从左侧loss曲线可以看到,loss最终稳定在了0.35左右,这与我们之前的计算结果一致,说明RNN学习到了序列数据中的规则。右侧的loss曲线是在调整了序列关系的时间间隔后(此时的time_step过小,导致RNN无法学习到序列数据的规则)的结果,此时loss稳定在0.69左右,与之前的计算也吻合。

下一篇,我们将介绍几种常见的RNN循环神经网络结构以及部分代码示例。


对深度学习感兴趣,热爱Tensorflow的小伙伴,欢迎关注我们的网站http://www.panchuang.net 我们的公众号:磐创AI。

原创文章,作者:磐石,如若转载,请注明出处:https://panchuang.net/2018/11/17/tensorflow%e7%b3%bb%e5%88%97%e4%b8%93%e9%a2%98%ef%bc%88%e5%85%ab%ef%bc%89%ef%bc%9a%e4%b8%83%e6%ad%a5%e5%b8%a6%e4%bd%a0%e5%ae%9e%e7%8e%b0rnn%e5%be%aa%e7%8e%af%e7%a5%9e%e7%bb%8f%e7%bd%91%e7%bb%9c/

发表评论

电子邮件地址不会被公开。

联系我们

400-800-8888

在线咨询:点击这里给我发消息

邮件:admin@example.com

工作时间:周一至周五,9:30-18:30,节假日休息