循环神经网络-LSTM进阶
基础的LSTM模型,单隐层,隐层单神经元,而实际中一般需要更为复杂的网络结构,
下面借用手写数字的经典案例构造比较复杂的LSTM模型,并用代码实现。
单隐层,隐层多神经元
# -*- coding:utf-8 -*- import tensorflow as tf from tensorflow.examples.tutorials.mnist import input_data# 导入数据 mnist = input_data.read_data_sets('MNIST_data',one_hot = True)training_iters = 50001 batch_size = 100 # 批量大小 n_inputs = 28 n_steps = 28 # 序列长度 n_hidden_number = 128 # 隐藏层神经元个数 n_outputs = 10 # 输出层神经元个数 x = tf.placeholder(tf.float32,[None,n_steps,n_inputs]) # 输入3维 样本数*序列长度*每个元素长度 Y = tf.placeholder(tf.float32,[None,n_outputs])weights = {# 权重设定同全连接,这是单步权重# 每步权重共享# shape = (28,128)'in':tf.Variable(tf.random_normal([n_inputs,n_hidden_number])),# shape = (128,10)'out':tf.Variable(tf.random_normal([n_hidden_number,n_outputs]))}biases = {# shape = (128,)'in':tf.Variable(tf.constant(0.1,shape = [n_hidden_number,])),# shape = (10,)'out':tf.Variable(tf.constant(0.1,shape = [n_outputs,]))}def RNN(X,weights,biases):""" 这里是整个RNN的网络1. 输入x是整个序列的,即 [x1,x2,..xt]*samples2. 隐层的输出包含了序列中每个时间的输出"""### 输入层到核运算 #### X shape = (100batch,28steps,28inputs) ==> (100batch*28steps,28inputs)X = tf.reshape(X,[-1,n_inputs]) # 之所以转成2维,是要与weight相乘# X_in shape ==> (100batch*28steps,128hidden)X_in = tf.matmul(X,weights['in'])+biases['in']# 这是所有样本每个时序都乘以weight,每个时序都变成了hidden_num长度,结果是所有样本每个时序的hidden_num长,此时所有样本混在一起# X_in shape ==> (100batch,28steps,128hidden)# 然后要重新划分成样本,每个样本有n_steps个时序,每个时序是hidden_num长,按样本送给隐层X_in = tf.reshape(X_in,[-1,n_steps,n_hidden_number])### cell核内运算 ##### 构建单个rnn cell,单隐层,n_hidden_number个神经元,横向网络会根据输入(n_steps)自动构建lstm_cell = tf.nn.rnn_cell.BasicLSTMCell(n_hidden_number,forget_bias = 1.0)# LSTM cell is divided into two parts-->(c_state,m_state)# 初始化sinit_state = lstm_cell.zero_state(batch_size,dtype=tf.float32) # outputs states 都是隐层的输出,整个RNN所有时序的输出,但只是h,还没到o o=vh+c(c是bias,不同于states的c,这是记忆单元)# outputs 是以三维矩阵的形式记录了所有样本所有时序的所有隐层神经元的输出,shape为[batch_size, timestep_size, hidden_size]# states 是最后时刻的c 和 h,c是记忆,shape为 [batch_size, 2, hidden_size]# 当然通常顺序是这样的[2, batch_size, hidden_size]outputs,states = tf.nn.dynamic_rnn(lstm_cell,X_in,initial_state=init_state,time_major=False)### 核内运算到输出层 #### states[1]就是所有样本最后时刻的h, 实际上 states[1] == outputs[:,-1,:]result = tf.matmul(states[1],weights['out'])+biases['out'] # result就是oreturn resultprediction = RNN(x,weights,biases)### 后面所有的神经网络都大同小异 loss = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=Y, logits=prediction)) train_step = tf.train.AdamOptimizer(1e-3).minimize(loss) correct_prediction = tf.equal(tf.argmax(prediction,1), tf.argmax(Y,1)) accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))init = tf.global_variables_initializer() with tf.Session() as sess:sess.run(init)step = 0while step*batch_size < training_iters:batch_xs,batch_ys = mnist.train.next_batch(batch_size)# batch_xs shape = [100,28,28]batch_xs = batch_xs.reshape([batch_size,n_steps,n_inputs])train_step.run(feed_dict={x:batch_xs,Y:batch_ys,})if step%50 == 0:train_accuracy = accuracy.eval(feed_dict={x:batch_xs,Y:batch_ys,})print("step", step, "training accuracy", train_accuracy)step += 1
上面的网络大概是这样
x1 x2 其实应该是 xt1 xt2
多层隐层,隐层多节点
layer_num = 2 # 隐层数 def clstm():lstm_cell = tf.nn.rnn_cell.BasicLSTMCell(num_units=hidden_size, forget_bias=1.0, state_is_tuple=True)lstm_cell = rnn.DropoutWrapper(cell=lstm_cell, input_keep_prob=1.0, output_keep_prob=keep_prob)return lstm_cell# 调用 MultiRNNCell 来实现多层 LSTM
mlstm_cell = rnn.MultiRNNCell([clstm() for i in range(layer_num)], state_is_tuple=True)init_state = mlstm_cell.zero_state(batch_size, dtype=tf.float32)outputs, state = tf.nn.dynamic_rnn(mlstm_cell, inputs=X, initial_state=init_state, time_major=False)
h_state = outputs[:, -1, :]
其他代码雷同
预测
看看rnn是如何预测的
import matplotlib.pyplot as plt current_y= mnist.train.labels[5] current_x=mnist.train.images[5] print(current_y) # 计算h current_x.shape = [-1, 784] current_y.shape = [-1, class_num] current_outputs = np.array(sess.run(outputs, feed_dict={_X: current_x, y:current_y, keep_prob: 1.0, batch_size: 1})) print(current_outputs.shape) # (1, timesteps, hidden_size) current_outputs.shape = [28, hidden_size]# 计算出参数 h_W = sess.run(W, feed_dict={_X:current_x, y: current_y, keep_prob: 1.0, batch_size: 1}) h_bias = sess.run(bias, feed_dict={_X:current_x, y: current_y, keep_prob: 1.0, batch_size: 1}) h_bias.shape = [-1, 10]bar_index = range(class_num) # 识别过程 for i in range(current_outputs.shape[0]): # current_outputs.shape[0] 是 squence_lengthplt.subplot(7, 4, i+1)current_h_shate = current_outputs[i, :].reshape([-1, hidden_size]) # 每个时刻的h current_formula=tf.nn.softmax(tf.matmul(current_h_shate, h_W) + h_bias) # 每个时刻的ypro = sess.run(current_formula)plt.bar(bar_index, pro[0], width=0.2 , align='center')plt.axis('off') plt.show()
每一行显示了 4 个图,共有 7 行,每个图是一个y,表示了一行一行读取过程中,模型对字符的识别。
可以看到,在只看到前面的几行像素时,模型根本认不出来是什么字符,随着看到的像素越来越多,最后就基本确定了它是字符 4.
转载于:https://www.cnblogs.com/yanshw/p/10496290.html
循环神经网络-LSTM进阶相关推荐
- 循环神经网络LSTM RNN回归:sin曲线预测
摘要:本篇文章将分享循环神经网络LSTM RNN如何实现回归预测. 本文分享自华为云社区<[Python人工智能] 十四.循环神经网络LSTM RNN回归案例之sin曲线预测 丨[百变AI秀]& ...
- 深度学习中的循环神经网络LSTM详解
(一).什么是循环神经网络LSTM? LSTM指的是长短期记忆网络(Long Short Term Memory),它是循环神经网络中最知名和成功的扩展.由于循环神经网络有梯度消失和梯度爆炸的问题,学 ...
- 循环神经网络LSTM实现电影情感分类
循环神经网络LSTM实现电影情感分类 一.数据集: 为了对word embedding这种常用的文本向量化的方法进行巩固,这里我们会完成一个文本情感分类的案例 现在我们有一个经典的数据集IMDB数据集 ...
- 基于RNN循环神经网络lstm的藏头诗制作
基于RNN循环神经网络lstm的藏头诗制作 简单介绍 在一次偶然中接触到藏头诗,觉得十分有意思.但是好像都是利用古代本就有的诗句重新组合而成.比如输入清风袭来,结果如下图所示. 之后想到不如利用深度学 ...
- Python实现PSO粒子群优化循环神经网络LSTM分类模型项目实战
说明:这是一个机器学习实战项目(附带数据+代码+文档+视频讲解),如需数据+代码+文档+视频讲解可以直接到文章最后获取. 1.项目背景 PSO是粒子群优化算法(Particle Swarm Optim ...
- 干货 | 循环神经网络LSTM的数学过程
击上方"小白学视觉",选择加"星标"或"置顶" 重磅干货,第一时间送达本文转自 | OpenCV学堂 引言 长短时记忆(long short ...
- Pytorch:循环神经网络-LSTM
Pytorch: 循环神经网络:LSTM进行新闻分类 Copyright: Jingmin Wei, Pattern Recognition and Intelligent System, Schoo ...
- RNN-LSTM循环神经网络-03Tensorflow进阶实现
全部代码:点击这里查看 关于Tensorflow实现一个简单的二元序列的例子可以点击这里查看 关于RNN和LSTM的基础可以查看这里 这篇博客主要包含以下内容 训练一个RNN模型逐字符生成文本数据(最 ...
- 循环神经网络LSTM论文解读
版权声明:本文为CSDN博主「了不起的赵队」的原创文章,遵循CC 4.0 by-sa版权协议,转载请附上原文出处链接及本声明. 原文链接:https://blog.csdn.net/zhaojc199 ...
最新文章
- 太强了,手撸一款导弹跟踪算法(Python版)
- Mybatis 源码探究 (3)创建 SqlSessionFactory对象 执行sqlSession.getMapper()方法
- sql运算符_SQL AND运算符解释语法示例
- linux强制移除pdf密码,分享|如何在 Linux 中从一个 PDF 文件中移除密码
- OpenShift 4 之 Image Registry、Image 和 ImageStream 概念和相关操作
- Ubuntu 配置vsftpd实现FTP服务器
- css part 2
- 使用casewhen来判断执行不同的sql
- 【JavaScript 生成uuid】——用js生成uuid
- 图片格式转换 png,jpg,gif等格式 的python小程序
- MRR(Mean Reciprocal Rank)笔记
- 计算机病毒免疫学,模块化免疫神经网络模型在计算机病毒分类检测中的
- 第四章:软件总体设计(4)此章结完
- 稀疏特征(稀疏矩阵)
- mybatis在实际项目中常见的排坑配置
- 这个设计思想能启蒙你很多年,嵌入式裸机按键扫描
- python小玩意——星座表程序
- [Mugeda HTML5技术教程之2] Mugeda HTML5富媒体平台简介
- webpack的作用
- Siebel EAI XML Converter
热门文章
- 【MM32F5270开发板试用】GPIO输入+EXTI外部中断例程demo试用
- 在网页中撰写Python程式 - 使用pyscript
- OceanBase数据库创始人阳振坤分享征战6088万tpmC的艰辛之路
- kdj金叉容易操作吗KDJ金叉在生活中有什么体现
- 阿贝云”“免费虚拟主机““免费云服务器”“免备案服务“他来了!!!
- 《算法之美》全解读 序言
- Oracle gsd服务是什么,如何处理11gR2 RAC下oc4j和gsd服务为OFFLINE状态
- 计算机网络教学优秀教案,计算机网络教学教案.docx
- 机器人图形变变变_幼儿园学前班数学活动《图形变变变》PPT课件教案下载 - 快思幼教网...
- 数字低通滤波器的原理及实现