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】](https://bbs.huaweicloud.com/b...)》，作者：eastmount。

一.RNN和LSTM回顾

1.RNN

(1) RNN原理

循环神经网络英文是Recurrent Neural Networks，简称RNN。假设有一组数据data0、data1、data2、data3，使用同一个神经网络预测它们，得到对应的结果。如果数据之间是有关系的，比如做菜下料的前后步骤，英文单词的顺序，如何让数据之间的关联也被神经网络学习呢？这就要用到——RNN。

假设存在ABCD数字，需要预测下一个数字E，会根据前面ABCD顺序进行预测，这就称为记忆。预测之前，需要回顾以前的记忆有哪些，再加上这一步新的记忆点，最终输出output，循环神经网络（RNN）就利用了这样的原理。

首先，让我们想想人类是怎么分析事物之间的关联或顺序的。人类通常记住之前发生的事情，从而帮助我们后续的行为判断，那么是否能让计算机也记住之前发生的事情呢？

在分析data0时，我们把分析结果存入记忆Memory中，然后当分析data1时，神经网络（NN）会产生新的记忆，但此时新的记忆和老的记忆没有关联，如上图所示。在RNN中，我们会简单的把老记忆调用过来分析新记忆，如果继续分析更多的数据时，NN就会把之前的记忆全部累积起来。

RNN结构如下图所示，按照时间点t-1、t、t+1，每个时刻有不同的x，每次计算会考虑上一步的state和这一步的x(t)，再输出y值。在该数学形式中，每次RNN运行完之后都会产生s(t)，当RNN要分析x(t+1)时，此刻的y(t+1)是由s(t)和s(t+1)共同创造的，s(t)可看作上一步的记忆。多个神经网络NN的累积就转换成了循环神经网络，其简化图如下图的左边所示。

总之，只要你的数据是有顺序的，就可以使用RNN，比如人类说话的顺序，电话号码的顺序，图像像素排列的顺序，ABC字母的顺序等。在前面讲解CNN原理时，它可以看做是一个滤波器滑动扫描整幅图像，通过卷积加深神经网络对图像的理解。

而RNN也有同样的扫描效果，只不过是增加了时间顺序和记忆功能。RNN通过隐藏层周期性的连接，从而捕获序列化数据中的动态信息，提升预测结果。

(2) RNN应用

RNN常用于自然语言处理、机器翻译、语音识别、图像识别等领域，下面简单分享RNN相关应用所对应的结构。

RNN情感分析： 当分析一个人说话情感是积极的还是消极的，就用如下图所示的RNN结构，它有N个输入，1个输出，最后时间点的Y值代表最终的输出结果。
RNN图像识别： 此时有一张图片输入X，N张对应的输出。
RNN机器翻译： 输入和输出分别两个，对应的是中文和英文，如下图所示。

2.LSTM

接下来我们看一个更强大的结构，称为LSTM。

(1) 为什么要引入LSTM呢？

RNN是在有序的数据上进行学习的，RNN会像人一样对先前的数据发生记忆，但有时候也会像老爷爷一样忘记先前所说。为了解决RNN的这个弊端，提出了LTSM技术，它的英文全称是Long short-term memory，长短期记忆，也是当下最流行的RNN之一。

假设现在有一句话，如下图所示，RNN判断这句话是红烧排骨，这时需要学习，而“红烧排骨“在句子开头。

"红烧排骨"这个词需要经过长途跋涉才能抵达，要经过一系列得到误差，然后经过反向传递，它在每一步都会乘以一个权重w参数。如果乘以的权重是小于1的数，比如0.9，0.9会不断地乘以误差，最终这个值传递到初始值时，误差就消失了，这称为梯度消失或梯度离散。

反之，如果误差是一个很大的数，比如1.1，则这个RNN得到的值会很大，这称为梯度爆炸。

梯度消失或梯度爆炸：在RNN中，如果你的State是一个很长的序列，假设反向传递的误差值是一个小于1的数，每次反向传递都会乘以这个数，0.9的n次方趋向于0，1.1的n次方趋向于无穷大，这就会造成梯度消失或梯度爆炸。

这也是RNN没有恢复记忆的原因，为了解决RNN梯度下降时遇到的梯度消失或梯度爆炸问题，引入了LSTM。

(2) LSTM

LSTM是在普通的RNN上面做了一些改进，LSTM RNN多了三个控制器，即输入、输出、忘记控制器。左边多了个条主线，例如电影的主线剧情，而原本的RNN体系变成了分线剧情，并且三个控制器都在分线上。

输入控制器（write gate）: 在输入input时设置一个gate，gate的作用是判断要不要写入这个input到我们的内存Memory中，它相当于一个参数，也是可以被训练的，这个参数就是用来控制要不要记住当下这个点。
输出控制器（read gate）: 在输出位置的gate，判断要不要读取现在的Memory。
忘记控制器（forget gate）: 处理位置的忘记控制器，判断要不要忘记之前的Memory。

LSTM工作原理为：如果分线剧情对于最终结果十分重要，输入控制器会将这个分线剧情按重要程度写入主线剧情，再进行分析；如果分线剧情改变了我们之前的想法，那么忘记控制器会将某些主线剧情忘记，然后按比例替换新剧情，所以主线剧情的更新就取决于输入和忘记控制；最后的输出会基于主线剧情和分线剧情。

通过这三个gate能够很好地控制我们的RNN，基于这些控制机制，LSTM是延缓记忆的良药，从而带来更好的结果。

二.LSTM RNN回归案例说明

前面我们讲解了RNN、CNN的分类问题，这篇文章将分享一个回归问题。在LSTM RNN回归案例中，我们想要用蓝色的虚线预测红色的实线，由于sin曲线是波浪循环，所以RNN会用一段序列来预测另一段序列。

代码基本结构包括：

(1) 生成数据的函数get_batch()
(2) 主体LSTM RNN
(3) 三层神经网络，包括input_layer、cell、output_layer，和之前分类RNN的结构一样。

(4) 计算误差函数 computer_cost
(5) 误差weight和偏置biases
(6) 主函数建立LSTM RNN模型
(7) TensorBoard可视化神经网络模型，matplotlib可视化拟合曲线、
最后再补充下BPTT，就开始我们的代码编写。

(1) 普通RNN

假设我们训练含有1000000个数据的序列，如果全部训练的话，整个的序列都feed进RNN中，容易造成梯度消失或爆炸的问题。所以解决的方法就是截断反向传播 (Truncated Backpropagation，BPTT) ，我们将序列截断来进行训练(num_steps)。

一般截断的反向传播是：在当前时间t，往前反向传播num_steps步即可。如下图，长度为6的序列，截断步数是3，Initial State和Final State在RNN Cell中传递。

(2) TensorFlow版本的BPTT

但是Tensorflow中的实现并不是这样，它是将长度为6的序列分为了两部分，每一部分长度为3，前一部分计算得到的final state用于下一部分计算的initial state。如下图所示，每个batch进行单独的截断反向传播。此时的batch会保存Final State，并作为下一个batch的初始化State。

参考：深度学习（07）RNN-循环神经网络-02-Tensorflow中的实现 - 莫失莫忘Lawlite

三.代码实现

第一步，打开Anaconda，然后选择已经搭建好的“tensorflow”环境，运行Spyder。

第二步，导入扩展包。

第三步，编写生成数据的函数get_batch()，它生成了sin曲线的序列。

此时的输出结果如下图所示，注意它只是模拟的预期曲线，还不是我们神经网络学习的结构。

第四步，编写LSTMRNN类，它用于定义我们的循环神经网络结构，初始化操作和所需变量。

初始化init()函数的参数包括：

• n_steps表示batch中的步骤，共有3步。
• input_size表示传入batch data时，每个input的长度，该实例中input_size和output_size均为1。如下图所示，假设我们batch长度为一个周期（0-6），每个input是线的x值，input size表示每个时间点有多少个值，只有一个点故为1。
• output_size表示输出的值，输出对应input线的y值，其大小值为1。
• cell_size表示RNN Cell的个数，其值为10。
• batch_size表示一次性传给神经网络的batch数量，设置为50。

该部分代码如下，注意xs和ys的形状。同时，我们需要使用Tensorboard可视化RNN的结构，所以调用tf.name_scope()设置各神经层和变量的命名空间名称，详见第五篇文章。

第五步，接着开始编写三个函数（三层神经网络），它是RNN的核心结构。

这三个函数也是增加在LSTMRNN的Class中，核心代码及详细注释如下所示：

注意，上面调用了reshape()进行形状更新，为什么要将三维变量改成二维呢？因为只有变成二维变量之后，才能计算W*X+B。

第六步，定义计算误差函数。

这里需要注意：我们使用了seq2seq函数。它求出的loss是整个batch每一步的loss，然后把每一步loss进行sum求和，变成了整个TensorFlow的loss，再除以batch size平均，最终得到这个batch的总cost，它是一个scalar数字。

后面的文章我们会详细写一篇机器翻译相关的内容，并使用seq2seq模型。

Seq2Seq模型是输出的长度不确定时采用的模型，这种情况一般是在机器翻译的任务中出现，将一句中文翻译成英文，那么这句英文的长度有可能会比中文短，也有可能会比中文长，所以输出的长度就不确定了。如下图所，输入的中文长度为4，输出的英文长度为2。

在网络结构中，输入一个中文序列，然后输出它对应的中文翻译，输出的部分的结果预测后面，根据上面的例子，也就是先输出“machine”，将"machine"作为下一次的输入，接着输出"learning"，这样就能输出任意长的序列。

机器翻译、人机对话、聊天机器人等等，这些都是应用在当今社会都或多或少的运用到了我们这里所说的Seq2Seq。

第七步，定义msr_error计算函数、误差计算函数和偏置计算函数。

写到这里，整个Class就定义完成。

第八步，接下来定义主函数，进行训练和预测操作，这里先尝试TensorBoard可视化展现。

四.完整代码及可视化展示

该阶段的完整代码如下，我们先尝试运行下代码：

此时会在Python文件目录下新建一个“logs”文件夹和events的文件，如下图所示。

接下来尝试打开它。首先调出Anaconda Prompt，并激活TensorFlow，接着去到events文件的目录，调用命令“tensorboard --logdir=logs运行即可，如下图所示。注意，这里只需要指引到文件夹，它就会自动索引到你的文件。

此时访问网址“http://localhost:6006/”，选择“Graphs”，运行之后如下图所示，我们的神经网络就出现了。

神经网络结构如下图所示，包括输入层、LSTM层、输出层、cost误差计算、train训练等。

详细结构如下图所示：

通常我们会将train部分放置一边，选中“train”然后鼠标右键点击“Remove from main graph”。核心结构如下，in_hidden是接受输入的第一层，之后是LSTM_cell，最后是输出层out_hidden。

in_hidden： 包括了权重Weights和biases，计算公式Wx_plus_b。同时，它包括了reshape操作，2_2D和2_3D。
out_hidden： 包括了权重weights、偏置biases、计算公式Wx_plus_b、二维数据2_2D，并且输出结果为cost。
cost： 计算误差。
中间是LSTM_cell： 包括RNN循环神经网络，初始化initial_state，之后会被state更新替换。

注意版本问题，读者可以结合自己的TensorFlow版本进行适当修改运行。作者版本版本信息为：Python3.6、Anaconda3、Win10、Tensorflow1.15.0。

如果您报错 AttributeError: module ‘tensorflow._api.v1.nn’ has no attribute ‘seq2seq’，这是TensorFlow 版本升级，方法调用更改。解决方式：

如果您报错 TypeError: msr_error() got an unexpected keyword argument ‘labels’，msr_error() 函数得到一个意外的关键参数 ‘lables’。其解决方式：定义msr_error() 函数时，使用 labels，logits 指定，将

改为：

如果您报错 ValueError: Variable in_hidden/weights already exists, disallowed. Did you mean to set reuse=True or reuse=tf.AUTO_REUSE in VarScope? ，则重新启动kernel即可运行。

五.预测及曲线拟合

最后，我们在主函数中编写RNN训练学习和预测的代码。

首先我们来测试cost学习的结果。代码如下，if判断中cell_init_state为前面已初始化的state，之后更新state（model.cell_init_state: state ），其实就是将Final State换成下一个batch的Initial State，从而符合我们定义的结构。

每隔20步输出结果，如下所示，误差从最初的33到最后的0.335，神经网络在不断学习，误差在不断减小。