Pytorch深度学习实践（b站刘二大人）P13讲 (RNN循环神经网络高级篇)
用RNN做一个分类器，现在有一个数据集，数据集里有人名和对应的国家，我们需要训练一个模型，输入一个新的名字，模型能预测出是基于哪种语言的（18种不同的语言，18分类）
在自然语言处理中，通常先把词或字编程一个one-hot向量，one-hot向量维度高，而且过于稀疏，所以一般来说呀先通过嵌入层（Embed）把one-hot向量转化成低维的稠密向量，然后经过RNN，隐层的输出不一定和最终要求的目标一致，所以要用一个线性层把输出映射成和我们的要求一致，
我们的需求是输出名字所属的语言分类，我们对01-05这些输出是没有要求的，即不需要对所有的隐层输出做线性变换，为了解决这个问题，我们可以把网络变得更简单，如下图
输入向量经过嵌入层之后，输入到RNN,输出最终的隐层状态，最终的隐层状态经过一个线性层，我们分成18个类别，就可以实现名字分类的任务了
输入的每一个名字都是一个序列，序列的长短是不一样的
输入是数据集里面的名字，经过模型之后我们得到相应的国家 
主循环
classifier = RNNClassifier(N_CHARS, HIDDEN_SIZE, N_COUNTRY, N_LAYER)
N_CHARS：字符数量（输入的是英文字母，每一个字符都要转变成独热向量）
HIDDEN_SIZE：隐层数量（GRU输出的隐层的维度）
N_COUNTRY：一共有多少个分类
N_LAYER：用来设置所使用的GRU层数
if __name__ == '__main__':
classifier = RNNClassifier(N_CHARS, HIDDEN_SIZE, N_COUNTRY, N_LAYER)
#把模型迁移到GPU
if USE_GPU:
device = torch.device('cuda:0')
classifier.to(device)
criterion = torch.nn.CrossEntropyLoss() #计算损失
optimizer = torch.optim.Adam(classifier.parameters(), lr = 0.001) #更新
start = time.time()
print("Train for %d epochs..." % N_EPOCHS)
acc_list= []
for epoch in range(1, N_EPOCHS + 1):
print('%d / %d:' % (epoch, N_EPOCHS))
trainModel()
acc = testModel()
acc_list.append(acc)
在每一个epoch做一次训练和测试，把测试的结果添加到 acc_list列表（可以用来绘图，可以看到训练的损失是如何变化的）
准备数据
拿到的是字符串，先转变成序列，转成列表，列表里面的每一个数就是名字里面的每一个字符
接下来做词典，可以用ASCII表，ASCII表是128个字符，我们把字典长度设置成128，求每一个字符对应的ASCII值，拼成我们想要的序列
上图中的最右表中每一个数并不是一个数字，而是一个独热向量例如 77。就是一个128维的向量，第77个数的值为1，其他的值都是0.
对于Embed(嵌入层)来说，只要告诉嵌入层第几个维度是1就行了，所以只需要把ASCII值放在这就行了。
序列长短不一怎么解决？
如上图左，每一行是一个序列，我们解决序列长短不一的方法是padding（因为张量必须保证所有的数据都贴满，不然就不是张量），如右图，就是在做一个batch的时候，我们看这一个batch里面哪一个字符串的长度最长，然后把其他字符串填充成和它一样的长度，就能保证可以构成一个张量，因为每个维度的数量不一样是没办法构成张量的
分类的处理
我们需要把各个分类（国家）转成一个分类索引，不能直接用字符串作为我们的分类标签
准备数据集代码：
. gzip和csv这两个包可以帮我们读取gz文件(gzip.open()打开gzip文件，然后用csv.reader()去读里面的数据)
有很多种不同的方式可以访问数据集，比如有些数据集不是.gz,而是.pickle,就可以用pickle包，还有HDFS,HD5得用HDFS的包读取，根据拿到的数据类型不一样，用相应的包把数据读出来。
我们读到的rows是一个元组，形式是（name,language）
# 准备数据集
class NameDataset(Dataset):
def __init__(self, is_train_set=True):
filename = 'data/names_train.csv.gz' if is_train_set else'data/names_test.csv.gz'
with gzip.open(filename, 'rt') as f:
reader = csv.reader(f)
rows = list(reader) #一个元组
# 取出名字
self.names = [row[0] for row in rows] #先把名字都取出来
self.len = len(self.names) #记录样本数量
self.countries = [row[1] for row in rows]#把标签language取出来
self.country_list = list(sorted(set(self.countries)))#set是先把列表变成集合，即去除重复的元素，
#这样每一个语言就只剩下一个实例，然后用sorted排序 list变成列表
self.country_dict = self.getCountryDict() #根据列表，把列表转变成词典
self.country_num = len(self.country_list)
def __getitem__(self, index):
return self.names[index], self.countries_dict[self.countries[index]]
##__getitem__根据输入的名字找到对应国家的索引
#返回两项，一项是输入样本
#拿到输入样本之后，先把国家取出来，然后根据国家去查找对应的索引
def getCountriesDict(self):
countries_dict = dict() #先做一个空字典
for index, country_name in enumerate(self.countries_list, 0):
countries_dict[country_name] = index #构建键值对
return countries_dict
def __len__(self): #返回数据集长度
return self.len
def id2country(self, index): #根据索引返回国家字符串 例：1 Chinese
return self.countries_list[index]
def getCountriesNum(self): #返回国家总数量
return self.countries_num
trainset = NameDataset(is_train_set=True)
trainloader = DataLoader(trainset, batch_size=BATCH_SIZE, shuffle=True)
testset = NameDataset(is_train_set=False)
testloader = DataLoader(testset, batch_size=BATCH_SIZE, shuffle=False)
N_COUNTRY = trainset.getCountriesNum() #总的类别数量，决定模型最终的输出大小
N_LAYER = 2 #GRU用了两层 N_EPOCH = 100 #将来训练100轮
N_CHARS = 128 #128的字典长度 USE_GPU = False #不用GPU
模型设计
#模型设计
import torch
from torch.nn.utils.rnn import pack_padded_sequence
class RNNClassifier(torch.nn.Module):
# input_size=128, hidden_size=100, output_size=18
def __init__(self, input_size, hidden_size, output_size, n_layers=1, bidirectional=True):
super(RNNClassifier, self).__init__()
self.hidden_size = hidden_size
self.n_layers = n_layers # GRU 使用层数
self.n_directions = 2 if bidirectional else 1 # 是否双向循环神经网络
self.embedding = torch.nn.Embedding(input_size, hidden_size) # 输入大小128，输出大小100。
# 经过Embedding后input的大小是100，hidden_size的大小也是100，所以形参都是hidden_size。
self.gru = torch.nn.GRU(hidden_size, hidden_size, n_layers, bidirectional=bidirectional)
# 如果是双向，会输出两个hidden层，要进行拼接，所以线性成的input大小是 hidden_size * self.n_directions，输出是大小是18，是为18个国家的概率。
self.fc = torch.nn.Linear(hidden_size * self.n_directions, output_size)
def _init_hidden(self, batch_size):
#初始的全0隐层h0
hidden = torch.zeros(self.n_layers * self.n_directions, batch_size, self.hidden_size)
return hidden
def forward(self, input, seq_lengths):
# 先对input进行转置，input shape : batch_size*max_seq_lengths -> max_seq_lengths*batch_size 每一列表示姓名
input = input.t()
batch_size = input.size(1) # 总共有多少列，既是batch_size的大小
hidden = self._init_hidden(batch_size) # 初始化隐藏层
embedding = self.embedding(input) # embedding.shape : max_seq_lengths*batch_size*hidden_size 12*64*100
# pack_padded_sequence方便批量计算
gru_input = pack_padded_sequence(embedding, seq_lengths)
# 进入网络进行计算
output, hidden = self.gru(gru_input, hidden)
# 如果是双向的，需要进行拼接
if self.n_directions == 2:
hidden_cat = torch.cat([hidden[-1], hidden[-2]], dim=1)
else:
hidden_cat = hidden[-1]
# 线性层输出大小为18
fc_output = self.fc(hidden_cat)
return fc_output
双向循环神经网络
lstm gru rnn 都有双向的
下图是单向的RNN,其中 RNN Cell共享权重和偏置，所以w和b是一样的，Xn-1的输出只包含它之前的序列的信息，即只考虑过去的信息，实际上在自然语言处理（NLP）我们还需要考虑来自未来的信息
正向算完之后，再反向算一下，然后把算出来的隐层输出做拼接，如下图 hN是h(0,b)和h(N,f)拼接起来的，h(N-1)是把h（1,b）和h(N-1,f)拼接起来，这样的循环神经网络叫双向循环神经网络
最终，反向得到一个h(N,b)
每一次调用GRU会输出out和hidden两个项，其中hidden包含的项如下
双向循环神经网络的forward过程
def forward(self, input, seq_lengths):
# input shape : B x S - > S x B（S:sequential(序列)，B：batch）
input = input.t() %矩阵转置input shape : B x S - > S x B
batch_size = input.size(1) %保存batch_size用来构建最初始的隐层
hidden = self._init_hidden(batch_size) %创建隐层
embedding = self.embedding(input) %把input扔到嵌入层里面，做嵌入
%嵌入之后，输入的维度就变成了（,ℎ,ℎ）
# pack them up
gru_input = pack_padded_sequence(embedding, seq_lengths)
output, hidden = self.gru(gru_input, hidden) %第二个hidden是初始的隐层，
%我们想要得到的是第一个hidden的值
if self.n_directions == 2:
hidden_cat = torch.cat([hidden[-1], hidden[-2]], dim=1)
%如果是双向的循环神经网络，会有两个hidden，需要把他们拼接起来
else:
hidden_cat = hidden[-1] %如果是单向的循环神经网络，就只有1个hidden
fc_output = self.fc(hidden_cat) %把最后的隐层输出经过全连接层变换成我们想要的维
度做分类
return fc_output
input = input.t()%矩阵转置input shape : B x S - > S x B
%功能如下图
embedding = self.embedding(input) %把input扔到嵌入层里面，做嵌入
%嵌入之后，输入的维度就变成了（,ℎ,ℎ）
为了提高运行效率，GRU支持一种提速，尤其是面对序列长短不一的时候，在pyTorch中， pack_padded_sequence的功能如下
先根据长度排序
排好序之后，再经过嵌入层
使用pack_padded_sequence做成下面这样的数据，GRU的运算效率更高哦(即把没有计算意义的padding 0去掉)
所以pack_padded_sequenceh函数需要输入数据的长度 seq_lengths
gru_input = pack_padded_sequence(embedding, seq_lengths)
GRU根据上图的batch_sizes就决定每一时刻取多少行，GRU的工作效率就提高了
由名字转换成Tensor的过程
过程如下：
1：字符串—>字符—>相应的ASCII值
然后做padding填充
填充之后转置
转置之后排序
转换名字为tensor
def name2list(name):
"""返回ASCII码表示的姓名列表与列表长度"""
arr = [ord(c) for c in name]
return arr, len(arr)
def make_tensors(names, countries):
# 元组列表，每个元组包含ASCII码表示的姓名列表与列表长度
sequences_and_lengths = [name2list(name) for name in names]
# 取出所有的ASCII码表示的姓名列表
name_sequences = [sl[0] for sl in sequences_and_lengths]
# 取出所有的列表长度
seq_lengths = torch.LongTensor([sl[1] for sl in sequences_and_lengths])
# 将countries转为long型
countries = countries.long()
# 接下来每个名字序列补零，使之长度一样。
# 先初始化一个全为零的tensor，大小为 所有姓名的数量*最长姓名的长度
seq_tensor = torch.zeros(len(name_sequences), seq_lengths.max()).long()
# 将姓名序列覆盖到初始化的全零tensor上
for idx, (seq, seq_len) in enumerate(zip(name_sequences, seq_lengths), 0):
seq_tensor[idx, :seq_len] = torch.LongTensor(seq)
# 根据序列长度seq_lengths对补零后tensor进行降序怕排列，方便后面加速计算。
# 返回排序后的seq_lengths与索引变化列表
seq_lengths, perm_idx = seq_lengths.sort(dim=0, descending=True)
# 根据索引变化列表对ASCII码表示的姓名列表进行排序
seq_tensor = seq_tensor[perm_idx]
# 根据索引变化列表对countries进行排序，使姓名与国家还是一一对应关系
# seq_tensor.shape : batch_size*max_seq_lengths,
# seq_lengths.shape : batch_size
# countries.shape : batch_size
countries = countries[perm_idx]
return seq_tensor, seq_lengths, countries
def name2list(name):
arr = [ord(c) for c in name]
return arr, len(arr)
%name2list返回两个，一个是元组，代表列表本身，一个是列表的长度
name_sequences = [sl[0] for sl in sequences_and_lengths]
%单独拿出列表
训练过程
# 训练
def time_since(since):
s = time.time() - since
m = math.floor(s/60)
s -= m*60
return '%dm %ds' % (m, s)
def trainModel():
total_loss = 0
for i, (names, countries) in enumerate(trainloader, 1):
# make_tensors函数返回经过降序排列后的 姓名列表，列表长度，国家
inputs, seq_lengths, target = make_tensors(names, countries)
output = model(inputs, seq_lengths)
optimizer.zero_grad()
loss = criterion(output, target)
loss.backward()
optimizer.step()
total_loss += loss.item()
if i % 10 == 0:
print(i)
print(f'[{time_since(start)}] Epoch {epoch} ', end='')
print(f'[{i * len(inputs)}/{len(trainset)}] ', end='')
print(f'loss={total_loss / (i * len(inputs))}')
return total_loss
def testModel():
correct = 0
total = len(testset)
print("evaluating trained model ...")
with torch.no_grad():
for idx, (names, countries) in enumerate(testloader, 1):
inputs, seq_lengths, target = make_tensors(names, countries)
output = model(inputs, seq_lengths)
pred = output.max(dim=1, keepdim=True)[1]
correct += pred.eq(target.view_as(pred)).sum().item()
percent = '%.2f' % (100 * correct / total)
print(f'Test set: Accuracy {correct}/{total} {percent}%')
return correct / total
完整代码：
'''
根据名字识别他所在的国家
人名字符长短不一，最长的10个字符，所以处理成10维输入张量，都是英文字母刚好可以映射到ASCII上
Maclean -> ['M', 'a', 'c', 'l', 'e', 'a', 'n'] -> [ 77 97 99 108 101 97 110] -> [ 77 97 99 108 101 97 110 0 0 0]
共有18个国家，设置索引为0-17
训练集和测试集的表格文件都是第一列人名，第二列国家
'''
import torch
import time
import csv
import gzip
from torch.utils.data import DataLoader
import datetime
import matplotlib.pyplot as plt
import numpy as np
# Parameters
HIDDEN_SIZE = 100
BATCH_SIZE = 256
N_LAYER = 2
N_EPOCHS = 100
N_CHARS = 128
USE_GPU = True
class NameDataset(): #处理数据集
def __init__(self, is_train_set=True):
filename = 'data/names_train.csv.gz' if is_train_set else 'data/names_test.csv.gz'
with gzip.open(filename, 'rt') as f: #打开压缩文件并将变量名设为为f
reader = csv.reader(f) #读取表格文件
rows = list(reader)
self.names = [row[0] for row in rows] #取出人名
self.len = len(self.names) #人名数量
self.countries = [row[1] for row in rows]#取出国家名
self.country_list = list(sorted(set(self.countries)))#国家名集合，18个国家名的集合
#countrys是所有国家名，set(countrys)把所有国家明元素设为集合（去除重复项），sorted（）函数是将集合排序
#测试了一下，实际list(sorted(set(self.countrys)))==sorted(set(self.countrys))
self.country_dict = self.getCountryDict()#转变成词典
self.country_num = len(self.country_list)#得到国家集合的长度18
def __getitem__(self, index):
return self.names[index], self.country_dict[self.countries[index]]
def __len__(self):
return self.len
def getCountryDict(self):
country_dict = dict() #创建空字典
for idx, country_name in enumerate(self.country_list,0): #取出序号和对应国家名
country_dict[country_name] = idx #把对应的国家名和序号存入字典
return country_dict
def idx2country(self,index): #返回索引对应国家名
return self.country_list(index)
def getCountrysNum(self): #返回国家数量
return self.country_num
trainset = NameDataset(is_train_set=True)
trainloader = DataLoader(trainset, batch_size=BATCH_SIZE,shuffle=True)
testset = NameDataset(is_train_set=False)
testloader = DataLoader(testset, batch_size=BATCH_SIZE,shuffle=False)
N_COUNTRY = trainset.getCountrysNum() #模型输出大小
def create_tensor(tensor):#判断是否使用GPU 使用的话把tensor搬到GPU上去
if USE_GPU:
device = torch.device("cuda:0")
tensor = tensor.to(device)
return tensor
class RNNClassifier(torch.nn.Module):
def __init__(self, input_size, hidden_size, output_size, n_layers=1, bidirectional=True):
super(RNNClassifier, self).__init__()
self.hidden_size = hidden_size #包括下面的n_layers在GRU模型里使用
self.n_layers = n_layers
self.n_directions = 2 if bidirectional else 1
self.embedding = torch.nn.Embedding(input_size, hidden_size)#input.shape=(seqlen,batch) output.shape=(seqlen,batch,hiddensize)
self.gru = torch.nn.GRU(hidden_size, hidden_size, n_layers, bidirectional=bidirectional)
#输入维度 输出维度 层数 说明单向还是双向
self.fc = torch.nn.Linear(hidden_size * self.n_directions, output_size)#双向GRU会输出两个hidden，维度需要✖2，要接一个线性层
def forward(self, input, seq_lengths):
input = input.t() #input shaoe : Batch x Seq -> S x B 用于embedding
batch_size = input.size(1)
hidden =self._init_hidden(batch_size)
embedding = self.embedding(input)
# pack_padded_sequence函数当出入seq_lengths是GPU张量时报错，在这里改成cpu张量就可以，不用GPU直接注释掉下面这一行代码
seq_lengths = seq_lengths.cpu()#改成cpu张量
# pack them up
gru_input = torch.nn.utils.rnn.pack_padded_sequence(embedding, seq_lengths)#让0值不参与运算加快运算速度的方式
#需要提前把输入按有效值长度降序排列 再对输入做嵌入，然后按每个输入len（seq——lengths）取值做为GRU输入
output, hidden = self.gru(gru_input, hidden)#双向传播的话hidden有两个
if self.n_directions ==2:
hidden_cat = torch.cat([hidden[-1], hidden[-2]], dim=1)
else:
hidden_cat = hidden[-1]
fc_output = self.fc(hidden_cat)
return fc_output
def _init_hidden(self,batch_size):
hidden = torch.zeros(self.n_layers * self.n_directions, batch_size, self.hidden_size)
return create_tensor(hidden)
#classifier = RNNClassifier(N_CHARS, HIDDEN_SIZE, N_COUNTRY, N_LAYER)
#对名字的处理需要先把每个名字按字符都变成ASCII码
def name2list(name):#把每个名字按字符都变成ASCII码
arr = [ord(c) for c in name]
return arr, len(arr)
def make_tensors(names, countries): #处理名字ASCII码 重新排序的长度和国家列表
sequences_and_lengths= [name2list(name) for name in names] #把每个名字按字符都变成ASCII码
name_sequences = [sl[0] for sl in sequences_and_lengths] #取出名字列表对应的ACSII码
seq_lengths = torch.LongTensor([sl[1] for sl in sequences_and_lengths]) #取出每个名字对应的长度列表
countries = countries.long()
# make tensor of name, BatchSize x SeqLen
seq_tensor = torch.zeros(len(name_sequences), seq_lengths.max()).long() #先做一个 名字数量x最长名字长度的全0tensor
for idx, (seq, seq_len) in enumerate(zip(name_sequences, seq_lengths), 0): #取出序列，ACSII码和长度列表
seq_tensor[idx, :seq_len] = torch.LongTensor(seq) #用名字列表的ACSII码填充上面的全0tensor
# sort by length to use pack_padded_sequence
seq_lengths, perm_idx = seq_lengths.sort(dim=0, descending=True)#将seq_lengths按序列长度重新降序排序，返回排序结果和排序序列。
seq_tensor = seq_tensor[perm_idx] #按新序列把ASCII表重新排序
countries = countries[perm_idx] #按新序列把国家列表重新排序
#返回排序后的 ASCII列表 名字长度降序列表 国家名列表
return create_tensor(seq_tensor),create_tensor(seq_lengths),create_tensor(countries)
def trainModel():
total_loss = 0
for i, (names, countries) in enumerate(trainloader, 1):
optimizer.zero_grad()
inputs, seq_lengths, target = make_tensors(names, countries)#取出排序后的 ASCII列表 名字长度列表 国家名列表
output = classifier(inputs, seq_lengths) #把输入和序列放入分类器
loss = criterion(output, target) #计算损失
loss.backward()
optimizer.step()
total_loss += loss.item()
#打印输出结果
#if i % 100 == 0:
# print(f'Epoch {epoch} ')
if i == len(trainset) // BATCH_SIZE :
#print(f'[13374/{len(trainset)}] ', end='')
print(f'loss={total_loss / (i * len(inputs))}')
'''elif i % 10 == 9 :
print(f'[{i * len(inputs)}/{len(trainset)}] ', end='')
print(f'loss={total_loss / (i * len(inputs))}')'''
return total_loss
def testModel():
correct = 0
total = len(testset)
with torch.no_grad():
for i, (names, countries) in enumerate(testloader, 1):
inputs, seq_lengths, target = make_tensors(names, countries) #返回处理后的名字ASCII码 重新排序的长度和国家列表
output = classifier(inputs, seq_lengths) #输出
pred = output.max(dim=1, keepdim=True)[1] #预测
correct += pred.eq(target.view_as(pred)).sum().item() #计算预测对了多少
percent = '%.2f' % (100 * correct / total)
print(f'Test set: Accuracy {correct}/{total} {percent}%')
return correct / total
if __name__ == '__main__':
print("Train for %d epochs..." % N_EPOCHS)
start = time.time()
classifier = RNNClassifier(N_CHARS, HIDDEN_SIZE, N_COUNTRY, N_LAYER)
if USE_GPU:
device = torch.device('cuda:0')
classifier.to(device)
criterion = torch.nn.CrossEntropyLoss() #计算损失
optimizer = torch.optim.Adam(classifier.parameters(), lr = 0.001) #更新
acc_list= []
for epoch in range(1, N_EPOCHS+1):
#训练
print('%d / %d:' % (epoch, N_EPOCHS))
trainModel()
acc = testModel()
acc_list.append(acc)
end = time.time()
print(datetime.timedelta(seconds=(end - start) // 1))
epoch = np.arange(1, len(acc_list) + 1, 1)
acc_list = np.array(acc_list)
plt.plot(epoch, acc_list)
plt.xlabel('Epoch')
plt.ylabel('Accuracy')
plt.grid()
plt.show()
运行：
参考链接