深度学习（十一）RNN入门学习

RNN入门学习

原文地址：http://blog.csdn.net/hjimce/article/details/49095371

作者：hjimce

一、相关理论

RNN(Recurrent Neural Networks)中文名又称之为：循环神经网络（原来还有一个递归神经网络，也叫RNN，搞得我有点混了，菜鸟刚入门，对不上号）。在计算机视觉里面用的比较少，我目前看过很多篇计算机视觉领域的相关深度学习的文章，就除了2015 ICCV的一篇图像语意分割文献《Conditional Random Fields as Recurrent Neural Networks》有提到RNN这个词外，目前还未见到其它的把RNN用到图像上面。RNN主要用于序列问题，如自然语言、语音音频等领域，相比于CNN来说，简单很多，CNN包含：卷积层、池化层、全连接层、特征图等概念，RNN基本上就仅仅只是三个公式就可以搞定了，因此对于RNN我们只需要知道三个公式就可以理解RNN了。说实话，一开是听到循环神经网络这个名子，感觉好难的样子，因为曾经刚开始学CNN的时候，也有很多不懂的地方。还是不啰嗦了，……开始前，我们先回顾一下，简单的MLP三层神经网络模型：

简单MLP模型

上面那个图是最简单的浅层网络模型了，x为输入，s为隐藏层神经元，o为输出层神经元。然后U、V就是我们要学习的参数了。上面的图很简单，每层神经元的个数就只有一个，我们可以得到如下公式：

(1)隐藏层神经元的激活值为：

s=f(u*x+b1)

(2)然后输出层的激活值为：

o=f(v*s+b2)

这就是最简单的三层神经网络模型的计算公式了，如果对上面的公式，还不熟悉，建议还是看看神经网络的书，打好基础先。而其实RNN网络结构图，仅仅是在上面的模型上，加了一条连接线而已，RNN结构图：

RNN结构图

看到结构图，是不是觉得RNN网络好像很简单的样子，至少没有像CNN过程那么长。从上面的结构图看，RNN网络基础结构，就只有一个输入层、隐藏层、输出层，看起来好像跟传统浅层神经网络模型差不多（只包含输出层、隐藏层、输出层），唯一的区别是：上面隐藏层多了一天连接线，像圆圈一样的东东，而那条线就是所谓的循环递归，同时那个圈圈连接线也多了个一个参数W。还是先看一下RNN的展开图，比较容易理解：

我们直接看，上面展开图中，Ot的计算流程，看到隐藏层神经元st的输入包含了两个：来时xt的输入、来自st-1的输入。于是RNN，t时刻的计算公式如下：

(1)t时刻，隐藏层神经元的激活值为：

st=f(u*xt+w*st-1+b1)

(2)t时刻，输出层的激活值为：

ot=f(v*st+b2)

是不是感觉上面的公式，跟一开始给出的MLP，公式上就差那么一点点。仅仅只是上面的st计算的时候，在函数f变量计算的时候，多个一个w*s t-1。

二、源码实现

下面结合代码，了解代码层面的RNN实现：

[python] view plaincopy

# -*- coding: utf-8 -*-
"""
Created on Thu Oct 08 17:36:23 2015
@author: Administrator
"""
import numpy as np
import codecs
data = open('text.txt', 'r').read() #读取txt一整个文件的内容为字符串str类型
chars = list(set(data))#去除重复的字符
print chars
#打印源文件中包含的字符个数、去重后字符个数
data_size, vocab_size = len(data), len(chars)
print 'data has %d characters, %d unique.' % (data_size, vocab_size)
#创建字符的索引表
char_to_ix = { ch:i for i,ch in enumerate(chars) }
ix_to_char = { i:ch for i,ch in enumerate(chars) }
print char_to_ix
hidden_size = 100 # 隐藏层神经元个数
seq_length = 20 #
learning_rate = 1e-1#学习率
#网络模型
Wxh = np.random.randn(hidden_size, vocab_size)*0.01 # 输入层到隐藏层
Whh = np.random.randn(hidden_size, hidden_size)*0.01 # 隐藏层与隐藏层
Why = np.random.randn(vocab_size, hidden_size)*0.01 # 隐藏层到输出层，输出层预测的是每个字符的概率
bh = np.zeros((hidden_size, 1)) #隐藏层偏置项
by = np.zeros((vocab_size, 1)) #输出层偏置项
#inputs t时刻序列，也就是相当于输入
#targets t+1时刻序列，也就是相当于输出
#hprev t-1时刻的隐藏层神经元激活值
def lossFun(inputs, targets, hprev):
xs, hs, ys, ps = {}, {}, {}, {}
hs[-1] = np.copy(hprev)
loss = 0
#前向传导
for t in xrange(len(inputs)):
xs[t] = np.zeros((vocab_size,1)) #把输入编码成0、1格式，在input中，为0代表此字符未激活
xs[t][inputs[t]] = 1
hs[t] = np.tanh(np.dot(Wxh, xs[t]) + np.dot(Whh, hs[t-1]) + bh) # RNN的隐藏层神经元激活值计算
ys[t] = np.dot(Why, hs[t]) + by # RNN的输出
ps[t] = np.exp(ys[t]) / np.sum(np.exp(ys[t])) # 概率归一化
loss += -np.log(ps[t][targets[t],0]) # softmax 损失函数
#反向传播
dWxh, dWhh, dWhy = np.zeros_like(Wxh), np.zeros_like(Whh), np.zeros_like(Why)
dbh, dby = np.zeros_like(bh), np.zeros_like(by)
dhnext = np.zeros_like(hs[0])
for t in reversed(xrange(len(inputs))):
dy = np.copy(ps[t])
dy[targets[t]] -= 1 # backprop into y
dWhy += np.dot(dy, hs[t].T)
dby += dy
dh = np.dot(Why.T, dy) + dhnext # backprop into h
dhraw = (1 - hs[t] * hs[t]) * dh # backprop through tanh nonlinearity
dbh += dhraw
dWxh += np.dot(dhraw, xs[t].T)
dWhh += np.dot(dhraw, hs[t-1].T)
dhnext = np.dot(Whh.T, dhraw)
for dparam in [dWxh, dWhh, dWhy, dbh, dby]:
np.clip(dparam, -5, 5, out=dparam) # clip to mitigate exploding gradients
return loss, dWxh, dWhh, dWhy, dbh, dby, hs[len(inputs)-1]
#预测函数，用于验证，给定seed_ix为t=0时刻的字符索引，生成预测后面的n个字符
def sample(h, seed_ix, n):
x = np.zeros((vocab_size, 1))
x[seed_ix] = 1
ixes = []
for t in xrange(n):
h = np.tanh(np.dot(Wxh, x) + np.dot(Whh, h) + bh)#h是递归更新的
y = np.dot(Why, h) + by
p = np.exp(y) / np.sum(np.exp(y))
ix = np.random.choice(range(vocab_size), p=p.ravel())#根据概率大小挑选
x = np.zeros((vocab_size, 1))#更新输入向量
x[ix] = 1
ixes.append(ix)#保存序列索引
return ixes
n, p = 0, 0
mWxh, mWhh, mWhy = np.zeros_like(Wxh), np.zeros_like(Whh), np.zeros_like(Why)
mbh, mby = np.zeros_like(bh), np.zeros_like(by) # memory variables for Adagrad
smooth_loss = -np.log(1.0/vocab_size)*seq_length # loss at iteration 0
while n<20000:
#n表示迭代网络迭代训练次数。当输入是t=0时刻时，它前一时刻的隐藏层神经元的激活值我们设置为0
if p+seq_length+1 >= len(data) or n == 0:
hprev = np.zeros((hidden_size,1)) #
p = 0 # go from start of data
#输入与输出
inputs = [char_to_ix[ch] for ch in data[p:p+seq_length]]
targets = [char_to_ix[ch] for ch in data[p+1:p+seq_length+1]]
#当迭代了1000次，
if n % 1000 == 0:
sample_ix = sample(hprev, inputs[0], 200)
txt = ''.join(ix_to_char[ix] for ix in sample_ix)
print '----\n %s \n----' % (txt, )
# RNN前向传导与反向传播，获取梯度值
loss, dWxh, dWhh, dWhy, dbh, dby, hprev = lossFun(inputs, targets, hprev)
smooth_loss = smooth_loss * 0.999 + loss * 0.001
if n % 100 == 0: print 'iter %d, loss: %f' % (n, smooth_loss) # print progress
# 采用Adagrad自适应梯度下降法,可参看博文：http://blog.csdn.net/danieljianfeng/article/details/42931721
for param, dparam, mem in zip([Wxh, Whh, Why, bh, by],
[dWxh, dWhh, dWhy, dbh, dby],
[mWxh, mWhh, mWhy, mbh, mby]):
mem += dparam * dparam
param += -learning_rate * dparam / np.sqrt(mem + 1e-8) #自适应梯度下降公式
p += seq_length #批量训练
n += 1 #记录迭代次数

参考文献：

1、http://www.wildml.com/2015/09/recurrent-neural-networks-tutorial-part-1-introduction-to-rnns/

2、http://blog.csdn.net/danieljianfeng/article/details/42931721

3、声明：上面的源码例子是从github下载的，具体忘了是从哪个作者，非商业用途，仅供学习参考，如有侵权请联系博主删除

深度学习（十一）RNN入门学习相关推荐

强化学习(Reinforcement Learning)入门学习--01
强化学习(Reinforcement Learning)入门学习–01 定义 Reinforcement learning (RL) is an area of machine learning in ...
流媒体学习-WebRTC全面入门学习-1
一.初始WebRTC 1.WebRTC 就是音视频处理+即时通讯的开源库音视频处理中ffmpeg和WebRTC是两个很重要的一部分,ffmpeg注重与数据音视频的编解码,文件的后处理.WebRTC整 ...
matlab 编程学习,matlab编程入门学习（4）
之前把matlab的一些基本知识点讲解了下,下面继续讲函数的部分第五章. 自定义函数 5.1.简单介绍好的编程习惯把大的程序分解成函数,有很多的好处,例如,程序部分的独立检测,代码的可复用性,避免 ...
用Python爬取了拉勾网的招聘信息+详细教程+趣味学习+快速爬虫入门+学习交流+大神+爬虫入门...
关于一直埋头学习,不知当前趋势,这是学习一门技术过程中最大的忌讳.刚好利用python爬虫,抓取一下拉勾网关于python职位的一些基本要求,不仅能知道岗位的基本技能要求,还能锻炼一下代码能力,学以 ...
学习dajango+sqlite3入门学习
1 新建项目 django-admin.py startproject website1 2 启动服务器,查看是否正常 manage.py runserver 3 进入工程website1一级文件夹下 ...
汇编入门学习笔记（十二）—— int指令、port
疯狂的暑假学习之汇编入门学习笔记 (十二)-- int指令.port 參考: <汇编语言> 王爽第13.14章一.int指令 1. int指令引发的中断 int n指令,相当于引 ...
计算机指令int,汇编入门学习笔记（十二）—— int指令、端口
疯狂的暑假学习之汇编入门学习笔记 (十二)-- int指令.端口参考: <汇编语言> 王爽第13.14章一.int指令 1. int指令引发的中断 int n指令,相当于引发一 ...
JBox2d入门学习二 -----我的小鸟
入门学习一当中我学会了如何定义并且创建一个世界,在世界当中定义并且创建一个刚体,并尝试给刚体一个力.最近比较忙..现在抽空实现了一个类似于愤怒小鸟的例子,先看看图吧. 贴代码,注解写的比较详细了, ...
算法竞赛入门学习（篇一）
算法竞赛入门学习算法竞赛入门学习,本文习题来自牛客网教程. 一.枚举与贪心优化枚举的基本思路,减少枚举次数选择合适的枚举对象选择合适的枚举方向--排除非法或不是最优的情况选择合适的数据维护方 ...

深度学习（十一）RNN入门学习

深度学习（十一）RNN入门学习相关推荐

最新文章

热门文章