RNN经典模型
- 定义: 循环神经网络
- 结构: 输入层 —> 隐藏层—> 输出层
- 时间步的概念: 单词在rnn中循环的过程, 一个样本中有多少个单词就循环多少次, 每次循环的过程可以看做是一个时间步, 上一个时间步是可以作为下一个时间步的输入, 进行信息提取.
- 我 爱 北 京 天 安 门 字符级别
- 我 爱 北京 天安门 词符级别
- RNN的作用领域: 在序列问题上可以很好的解决业务逻辑, 文本分类, 意图识别, 机器翻译等任务.
- RNN分类
- 输入和输出分类
- N vs N - RNN —> 常见场景: 简单诗句的生成
- N vs 1 - RNN —> 常见场景: 意图识别的场景, 文本分类
- 1 vs N - RNN —> 常用场景: 给图片配置描述语句
- N vs M - RNN—> 常见场景: seq2seq任务类型
- 结构: 编码器 —c-- 解码器 例子: 机器翻译
- 欢迎 来 北京 Welcome to Beijing 3-3
- 内部结构划分
- RNN
- LSTM
- GRU
- BI-LSTM
- BI-GRU
- RNN内部结构
- 需要将输入和隐层进行concat操作(融合) 经过tanh之后进行输出
- tanh的作用(why):将数据调节到-1到1之间, 帮助调节流经网路的值
- 如果实现RNN操作(how):
-
'''
第一个参数:input_size(输入张量x的维度)
第二个参数:hidden_size(隐藏层的维度, 隐藏层的神经元个数)
第三个参数:num_layer(隐藏层的数量)
'''
rnn = nn.RNN(5, 6, 2) #A
'''
第一个参数:sequence_length(输入序列的长度)
第二个参数:batch_size(批次的样本数量)
第三个参数:input_size(输入张量的维度)
'''
# 一个批次有三个样本(三个句子),每个样本中有两个字/词, 每个字/词被映射到5的维度
input = torch.randn(2, 3, 5) #B
'''
第一个参数:num_layer * num_directions(层数*网络方向)
第二个参数:batch_size(批次的样本数)
第三个参数:hidden_size(隐藏层的维度, 隐藏层神经元的个数)
'''
h0 = torch.randn(2, 3, 6) #C
output, hn = rnn(input, h0)
print('output---',output)
print('outputshape==',output.shape) #torch.Size([1, 3, 6]) 1--》 seq_length 3 --batch_size 6 -- 隐藏层节点
print('hn----',hn)
print('hnshape===',hn.shape) # torch.Size([1, 3, 6])
- tanh的导数值域[0, 1] 如果w小于1 那么他们乘积小于1 w = w-lr△—> 梯度消失
- tanh的导数值域[0, 1] 如果w比较大 那么他们乘积大于1 梯度非常大—. 梯度爆炸
- 梯度消失和爆炸的危害: 导致模型训练失败.
- LSTM内部结构[长短时记忆结构]
- (What)结构: 遗忘门 输入门 输出门 细胞转态
遗忘门:
输入门:
细胞状态:
输出门:
- (how) pytorch编码:
# '''
# 第一个参数:input_size(输入张量x的维度)
# 第二个参数:hidden_size(隐藏层的维度, 隐藏层的神经元个数)
# 第三个参数:num_layer(隐藏层层数)
# '''
# lstm = nn.LSTM(5, 6, 2, batch_first=True) # bidirectional=True 设置双向
lstm = nn.LSTM(5, 6, 2) # bidirectional=True 设置双向
# '''
# 第一个参数:sequence_length(输入序列的长度)
# 第二个参数:batch_size(批次的样本数量)
# 第三个参数:input_size(输入张量x的维度)
# '''
input = torch.randn(3, 5, 5)
# '''
# 第一个参数:num_layer * num_directions(隐藏层层数*方向数)
# 第二个参数:batch_size(批次的样本数量)
# 第三个参数:hidden_size(隐藏层的维度)
# '''
h0 = torch.randn(2, 3, 6)
c0 = torch.randn(2, 3, 6)
# # 将input1, h0, c0输入到lstm中, 输出结果
output, (hn, cn) = lstm(input, (h0, c0))
# # print(output)
print('lstmoutput===',output.shape)
# # print(hn)
print('lstmhn===',hn.shape)
# # print(cn)
print('lstmcn===',cn.shape)
- lstm优势或劣势:
- 优势: 缓解了梯度消失或是梯度爆炸
- 劣势: 内部复杂, 计算效率要比RNN低
- 推荐连接:
- RNN梯度消失和爆炸LSTM缓解的原因
缓解梯度消失的方法就是:
- GRU内部结构[门控循环单元]
- (What)结构: 更新门 重置门
- (how)代码实现同RNN和LSTM
- 优势:
- 有效缓解梯度消失和梯度爆炸, 计算复杂度比RNN大但是比LSTM要小
- 缺点: 不能进行并行运算.