2019独角兽企业重金招聘Python工程师标准>>> 
tensorflow有google的背书，强大的社区，加上开源的时机，alphago的名气等等吧，确实占了先机，但对于深度学习的初学者，真的是噩梦。是一个非得把简单的东西，搞得无比复杂的系统。
比如，tf看似为了灵活，它的示例里，所有的variable都需要你自己去初始化。比如，你可以初始化为0或全1，或者用正态分布随机，还可以设定均值，方差，当然还可以用均匀分布来初始化。但，我想说的是，实践证明，这些设定，与网络训练结果的影响基本没有！！！
只在人群中看了pytorch一眼，就深深着迷了。
其实，就写一个神经网络的训练任务，同样数据准备花的时间，远比搭网络要多得多。但其实这和我们学习与理解深度学习，没有太大的联系。
本文就想写写，直面网络，抛开各种参数设定，数据准备，学习本质。
对于一个网络，肯定有一个input，我们要确定好它的维度就好了。
1,RNN的input，如果就一步计算而言，是二维的，也就是1*vocab_size。如果char-rnn，也就是字母级别的，如果只看小写英文字母，这个vocab_size就是26。也就是说，每一个字母都表示为[1,26]的tensor（这就是传说中的one-hot，比如a = [1,0,0,....0],b=[0,1,0,....0]）。
2,rnn的输入，需要有一个input_size=vocab_size，一个hidden_size，这个是rnn的神经元数，数量随意，越大越慢，但信息表达能力越强，然后还有一个output_size，就是rnn输出的维度。最终input经过rnn，由1*vocab_size，就成1*output_size
3.考虑批量实现，也就是一次输入N个char，也就是我们常说的sequence。在名字分类的任务，一个名字串，比如alice，就是一个seq。如果是句子情感分析，一个句子就是一个seq。如果是文章情感分析，一篇文章就是一个seq。
RNN的批量输出要处理成[seq_len, N, vocab_size]。这个新手很容易晕。一般我们处理原始数据，得到[N，seqlen]的数据。比如N个名字，N条句子或N篇文章等。这时候要转置成[seq_len,N]，然后再embedding成[seq_len,N,vocab_size]。
这是因为，在RNN或LSTM的计算单元，是按for i in range(seq_len):来计算每一个输出，一个个往写进，后一批使用前一批的hidden_status。
import torch
import torch.nn as nn
from torch.autograd import Variable
class RNN(nn.Module):
#这里自己实现一个RNN.
#input_size就是char_vacab_size=26,hidden_size随意，就是隐层神经元数，output_size要分成categories类
def __init__(self, input_size, hidden_size, output_size):
super(RNN, self).__init__()
self.hidden_size = hidden_size
self.i2h = nn.Linear(input_size + hidden_size, hidden_size)
self.i2o = nn.Linear(input_size + hidden_size, output_size)
self.softmax = nn.LogSoftmax()
def forward(self, input, hidden):
combined = torch.cat((input, hidden), 1)#input:[N,26]+[N,hidden_size]=N,26+hidden_size -> N*hidden_size
hidden = self.i2h(combined) #N*hidden_size，这里计算了一个hidden，hidden会带来下一个combined里
output = self.i2o(combined) # N*output_size,就是一个普通全连接层
output = self.softmax(output)#softmax
return output, hidden
def initHidden(self):
return Variable(torch.zeros(1, self.hidden_size))#hidden=[1,hidden_size]
n_hidden = 128
target_size = 10#分类问题，分成几类
rnn = RNN(26, n_hidden, target_size)
hidden = rnn.initHidden()
#如果输入input，是一个char，按one-hot编码的，假设char空间是26（小写英文字母） input = Variable(torch.zeros((1,26)))#[torch.FloatTensor of size 1x26],成员都是0 print(input)
output, next_hidden = rnn(input, hidden)#得到[1*10,1*128] print(output.data.size(),next_hidden.data.size())
如上只是写了单步的运算，但确定了这个就好办了。比如依照需要，我们要实现对“英文名字字符串”的分类。每个名字构成一个seq。
每一个seq结束就应该初始化一次hidden。然后对名字里的每个char进行循环。计算loss，并反向求导。然后在导数方向上对参数进行调整。如果是batch，那每个batch结束yi
关于作者：魏佳斌，互联网产品/技术总监，北京大学光华管理学院（MBA）,特许金融分析师（CFA），资深产品经理/码农。偏爱python，深度关注互联网趋势，人工智能，AI金融量化。致力于使用最前沿的认知技术去理解这个复杂的世界。
扫描下方二维码，关注：AI量化实验室（ailabx），了解AI量化最前沿技术、资讯。