学习前言

在前一段时间已经完成了卷积神经网络的复习，现在要对循环神经网络的结构进行更深层次的明确。

RNN简介

RNN 是当前发展非常火热的神经网络中的一种，它擅长对序列数据进行处理。
什么是序列数据呢？举个例子。
现在假设有四个字，“我” “去” “吃” “饭”。我们可以对它们进行任意的排列组合。
“我去吃饭”，表示的就是我要去吃饭了。
“饭去吃我”，表示的就是饭成精了。
“我吃去饭”，表示的我要去吃‘去饭’了。
不同的排列顺序会导致不同的语意，序列数据表示的就是按照一定顺序排列的序列，这种排列一般存在一定的意义。。
所以我们知道了RNN有顺序存储的这个抽象概念，但是RNN如何学习这个概念呢？
那么，让我们来看一个传统的神经网络，也称为前馈神经网络。它有输入层，隐藏层和输出层。就像这样

对于RNN来讲，其结构示意图是这样的：

一句话可以分为N个part，比如“我去吃饭”可以分为四个字，“我” “去” “吃” “饭”，分别可以传入四个隐含层，前一个隐含层会有一个输出按照一定的比率传给后一个隐含层，
比如第一个“我”输入隐含层后，有一个输出按照w1的比率输入给下一个隐含层，当第二个“去”进入隐含层时，隐含层同样要接收“我”传过来的信息。
以此类推，在到达最后一个“饭”时，最后的输出便得到了前面全部的信息。
其伪代码形式为：

rnn = RNN()
ff = FeedForwardNN()
hidden_state = [0,0,0]for word in input:output,hidden_state = rnn(word,hidden_state)
prediction = ff(output)

tensorflow中RNN的相关函数

tf.nn.rnn_cell.BasicLSTMCell

tf.nn.rnn_cell.BasicRNNCell(num_units, activation=None, reuse=None, name=None, dtype=None, **kwargs)

num_units：RNN单元中的神经元数量，即输出神经元数量。
activation：激活函数。
reuse：描述是否在现有范围中重用变量。如果不为True，并且现有范围已经具有给定变量，则会引发错误。
name：层的名称。
dtype：该层的数据类型。
kwargs：常见层属性的关键字命名属性，如trainable，当从get_config()创建cell 。

在使用时，可以定义为：

RNN_cell = tf.nn.rnn_cell.BasicRNNCell(n_hidden_units,activation=tf.nn.tanh)

在定义完成后，可以进行状态初始化：

_init_state =  RNN_cell.zero_state(batch_size,tf.float32)

tf.nn.dynamic_rnn

tf.nn.dynamic_rnn(cell,inputs,sequence_length=None,initial_state=None,dtype=None,parallel_iterations=None,swap_memory=False,time_major=False,scope=None
)

cell：上文所定义的lstm_cell。
inputs：RNN输入。如果time_major==false（默认），则必须是如下shape的tensor：[batch_size，max_time，…]或此类元素的嵌套元组。如果time_major==true，则必须是如下形状的tensor：[max_time，batch_size，…]或此类元素的嵌套元组。
sequence_length：Int32/Int64矢量大小。用于在超过批处理元素的序列长度时复制通过状态和零输出。因此，它更多的是为了性能而不是正确性。
initial_state：上文所定义的_init_state。
dtype：数据类型。
parallel_iterations：并行运行的迭代次数。那些不具有任何时间依赖性并且可以并行运行的操作将是。这个参数用时间来交换空间。值>>1使用更多的内存，但花费的时间更少，而较小的值使用更少的内存，但计算需要更长的时间。
time_major：输入和输出tensor的形状格式。如果为真，这些张量的形状必须是[max_time，batch_size，depth]。如果为假，这些张量的形状必须是[batch_size，max_time，depth]。使用time_major=true会更有效率，因为它可以避免在RNN计算的开始和结束时进行换位。但是，大多数TensorFlow数据都是批处理主数据，因此默认情况下，此函数为False。
scope：创建的子图的可变作用域；默认为“RNN”。

在RNN的最后，需要用该函数得出结果。

outputs,states = tf.nn.dynamic_rnn(RNN_cell,X_in,initial_state = _init_state,time_major = False)

返回的是一个元组 (outputs, state)：

outputs：RNN的最后一层的输出，是一个tensor。如果为time_major== False，则它的shape为[batch_size,max_time,cell.output_size]。如果为time_major== True，则它的shape为[max_time,batch_size,cell.output_size]。

states：states是一个tensor。state是最终的状态，也就是序列中最后一个cell输出的状态。一般情况下states的形状为 [batch_size, cell.output_size]，但当输入的cell为BasicLSTMCell时，states的形状为[2，batch_size, cell.output_size ]，其中2也对应着LSTM中的cell state和hidden state。

整个RNN的定义过程为：

def RNN(X,weights,biases):#X最开始的形状为(128 batch,28 steps,28 inputs)#转化为(128 batch*28 steps,128 hidden)X = tf.reshape(X,[-1,n_inputs])#经过乘法后结果为(128 batch*28 steps,256 hidden)X_in = tf.matmul(X,weights['in'])+biases['in']#再次转化为(128 batch,28 steps,256 hidden) X_in = tf.reshape(X_in,[-1,n_steps,n_hidden_units])RNN_cell = tf.nn.rnn_cell.BasicRNNCell(n_hidden_units,activation=tf.nn.tanh)_init_state =  RNN_cell.zero_state(batch_size,tf.float32)outputs,states = tf.nn.dynamic_rnn(RNN_cell,X_in,initial_state = _init_state,time_major = False)results = tf.matmul(states,weights['out'])+biases['out']return results

全部代码

该例子为手写体识别例子，将手写体的28行分别作为每一个step的输入，输入维度均为28列。

import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_datamnist = input_data.read_data_sets("MNIST_data",one_hot = "true")lr = 0.001          #学习率
training_iters = 1000000        #学习世代数
batch_size = 128                #每一轮进入训练的训练量n_inputs = 28                   #输入每一个隐含层的inputs维度
n_steps = 28                    #一共分为28次输入
n_hidden_units = 128           #每一个隐含层的神经元个数
n_classes = 10                  #输出共有10个x = tf.placeholder(tf.float32,[None,n_steps,n_inputs])
y = tf.placeholder(tf.float32,[None,n_classes])weights = {'in':tf.Variable(tf.random_normal([n_inputs,n_hidden_units])),'out':tf.Variable(tf.random_normal([n_hidden_units,n_classes]))
}biases = {'in':tf.Variable(tf.constant(0.1,shape=[n_hidden_units])),'out':tf.Variable(tf.constant(0.1,shape=[n_classes]))
}def RNN(X,weights,biases):#X最开始的形状为(128 batch,28 steps,28 inputs)#转化为(128 batch*28 steps,128 hidden)X = tf.reshape(X,[-1,n_inputs])#经过乘法后结果为(128 batch*28 steps,256 hidden)X_in = tf.matmul(X,weights['in'])+biases['in']#再次转化为(128 batch,28 steps,256 hidden) X_in = tf.reshape(X_in,[-1,n_steps,n_hidden_units])RNN_cell = tf.nn.rnn_cell.BasicRNNCell(n_hidden_units,activation=tf.nn.tanh)_init_state =  RNN_cell.zero_state(batch_size,tf.float32)outputs,states = tf.nn.dynamic_rnn(RNN_cell,X_in,initial_state = _init_state,time_major = False)results = tf.matmul(states,weights['out'])+biases['out']return resultspre = RNN(x,weights,biases)
cost = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(logits = pre,labels = y))
train_op = tf.train.AdamOptimizer(lr).minimize(cost)correct_pre = tf.equal(tf.argmax(y,1),tf.argmax(pre,1))
accuracy = tf.reduce_mean(tf.cast(correct_pre,tf.float32))
init = tf.initialize_all_variables()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 = batch_xs.reshape([batch_size,n_steps,n_inputs])sess.run(train_op,feed_dict = {x:batch_xs,y:batch_ys})if step%20 == 0:print(sess.run(accuracy,feed_dict = {x:batch_xs,y:batch_ys}))step += 1

希望得到朋友们的喜欢。

有不懂的朋友可以评论询问噢。

神经网络学习小记录2——利用tensorflow构建循环神经网络（RNN）相关推荐

神经网络学习小记录50——Pytorch 利用efficientnet系列模型搭建yolov3目标检测平台
神经网络学习小记录50--Pytorch 利用efficientnet系列模型搭建yolov3目标检测平台学习前言什么是EfficientNet模型源码下载 EfficientNet模型的实现思 ...
神经网络学习小记录26——Keras 利用efficientnet系列模型搭建yolov3目标检测平台
神经网络学习小记录26--Keras 利用efficientnet系列模型搭建efficientnet-yolov3目标检测平台学习前言什么是EfficientNet模型源码下载 Efficie ...
神经网络学习小记录58——Keras GhostNet模型的复现详解
神经网络学习小记录58--Keras GhostNet模型的复现详解学习前言什么是GhostNet模型源码下载 GhostNet模型的实现思路 1.Ghost Module 2.Ghost Bo ...
神经网络学习小记录19——微调VGG分类模型训练自己的数据（猫狗数据集）
神经网络学习小记录19--微调VGG分类模型训练自己的数据(猫狗数据集) 注意事项学习前言什么是VGG16模型 VGG模型的复杂程度训练前准备 1.数据集处理 2.创建Keras的VGG模型 3 ...
神经网络学习小记录68——Tensorflow2版 Vision Transformer（VIT）模型的复现详解
神经网络学习小记录68--Tensorflow2版 Vision Transformer(VIT)模型的复现详解学习前言什么是Vision Transformer(VIT) 代码下载 Vision ...
神经网络学习小记录14——slim常用函数与如何训练、保存模型
神经网络学习小记录14--slim训练与保存模型学习前言 slim是什么 slim常用函数 1.slim = tf.contrib.slim 2.slim.create_global_step 3. ...
神经网络学习小记录-番外篇——常见问题汇总
神经网络学习小记录-番外篇--常见问题汇总前言问题汇总 1.下载问题 a.代码下载 b. 权值下载 c. 数据集下载 2.环境配置问题 a.20系列所用的环境 b.30系列显卡环境配置 c.CPU ...
神经网络学习小记录17——使用AlexNet分类模型训练自己的数据（猫狗数据集）
神经网络学习小记录17--使用AlexNet分类模型训练自己的数据(猫狗数据集) 学习前言什么是AlexNet模型训练前准备 1.数据集处理 2.创建Keras的AlexNet模型开始训练 1. ...
神经网络学习小记录40——春节到了，用LSTM写古诗不？
神经网络学习小记录40--春节到了,用LSTM写古诗不? 学习前言整体实现思路 github下载地址与B站连接代码实现 1.数据处理 a.读取古诗并转化为id b.将读取到的所有古诗转化为6to1 ...

神经网络学习小记录2——利用tensorflow构建循环神经网络（RNN）