Recurrent Neural Network(Concise) - 简洁实现循环神经网络(RNN循环神经网络)

循环神经网络的简洁实现

虽然从零开始实现循环神经网络的实现方式具有指导意义，但并不方便。这次将展示如何使用深度学习框架的高级API提供的函数更有效地实现相同的语言模型。

我们仍然从读取时光机器数据集开始。

import torch
from torch import nn
from torch.nn import functional as F
from d2l import torch as d2l

batch_size, num_setps = 32, 35                                                   #定义数据批量大小32, 时间步数35
train_iter, vocab = d2l.load_data_time_machine(batch_size, num_setps)            #获取训练数据迭代器train_iter、词典vocab

定义模型

高级API提供了循环神经网络的实现。 我们构造一个具有256个隐藏单元的单隐藏层的循环神经网络层rnn_layer。

num_hiddens = 256
rnn_layer = nn.RNN(len(vocab), num_hiddens)                   #定义rnn循环神经网络层数的两个参数(字典、隐单元个数)

我们使用张量来初始化隐状态，它的形状是 （隐藏层数，批量大小，隐藏单元数）。

#初始化隐状态
state = torch.zeros((1, batch_size, num_hiddens))
state.shape

torch.Size([1, 32, 256])

通过一个隐状态和一个输入，我们就可以用更新后的隐状态计算输出。需要强调的是，rnn_layer的"输出"(Y)不涉及输出层的计算:

它是指每个时间步的隐状态，这些隐状态可以用作后续输出层的输入。

X = torch.rand(size=(num_setps, batch_size, len(vocab)))                      #X的形状为(时间步数、批量大小、词典长度)

#感兴趣的朋友可以自行查阅Pytorch的官方文档
#其中rnn_layer接收的两个参数(X:sequence_length、batch_size、vocab_size， state:num_layers、batch_size、num_hiddens)
#输出的两个参数为(X:sequence_length、batch_size、num_hiddens， state:num_layers、batch_size、num_hiddens)
Y, state_new = rnn_layer(X, state)
Y.shape, state_new.shape

(torch.Size([35, 32, 256]), torch.Size([1, 32, 256]))

可以看到rnn层返回的Y的形状为(sequence_length、batch_size、num_hiddens)。

返回的new_state形状为(layers、batch_size、num_hiddens)。

和之前类似，我们为一个完整的循环神经网络模型定义了一个 RNNModel 类。注意，rnn_layer只包含隐藏的循环层，我们还需要单独创建一个单独的输出层。

#定义RNN循环神经网络模型
class RNNModel(nn.Module):
    
    """循环神经网络模型"""
    def __init__(self, rnn_layer, vocab_size, **kwargs):
        super(RNNModel, self).__init__(**kwargs)
        
        self.rnn = rnn_layer                                                   #定义 rnn 循环层
        self.vocab_size = vocab_size                                           #定义词典大小为 vocab_size
        self.num_hiddens = self.rnn.hidden_size                                #定义隐单元个数为 hidden_size
        
        #如果RNN是双向的(之后将介绍)，num_directions应该是2，否则应该是1
        if not self.rnn.bidirectional:
            self.num_directions = 1
            self.linear = nn.Linear(self.num_hiddens, self.vocab_size)         #定义单层的输出层
        else:
            self.num_directions = 2
            self.linear = nn.Linear(self.num_hiddens * 2, self.vocab_size)     #双向 rnn 循环神经网络
            
    
    def forward(self, inputs, state):
        X = F.one_hot(inputs.T.long(), self.vocab_size)                        #将inputs进行one-hot编码，结果形状为(35, 32, 28)
        X = X.to(torch.float32)                                                #将X放入device设备之中
        
        #计算循环层的结果，得到Y和state
        #输出的结果形状分别为 X:(35, 32, 256)、state:(1, 32, 256)
        Y, state = self.rnn(X, state)                                          
        
        #全连接层首先将Y的形状改为(时间步数*批量大小，隐单元数量)
        #它的输出形状为(时间步数*批量大小，词表大小)
        #最后得到的输出结果为(35*32, 28)
        output = self.linear(Y.reshape((-1, Y.shape[-1])))
        
        #返回最终的结果和记忆状态
        return output, state
    
    
    def begin_state(self, device, batch_size=1):
        if not isinstance(self.rnn, nn.LSTM):
            #nn.GRU以张量作为隐状态(单向传播)
            return torch.zeros((self.num_directions * self.rnn.num_layers,
                               batch_size, self.num_hiddens))
        else:
            #nn.LSTM以元组作为隐状态(双向传播)
            return (torch.zeros((
                self.num_directions * self.rnn.num_layers,
                batch_size, self.num_hiddens), device=device),
                   torch.zeros((
                self.num_directions * self.rnn.num_layers,
                batch_size, self.num_hiddens), device=device))
    

训练与预测

device = d2l.try_gpu()                                             #选择设备
net = RNNModel(rnn_layer, vocab_size=len(vocab))                   #实例化RNN模型
net = net.to(device)
d2l.predict_ch8('time traveller', 10, net, vocab, device)          #预测数据

'time travelleropxon opxo'

很明显，这种模型根本不能输出好的结果。 接下来，我们使用之前定义的超参数调用train_ch8，并且使用高级API训练模型。

num_epochs, lr = 500, 1
d2l.train_ch8(net, train_iter, vocab, lr, num_epochs, device)     #训练模型，并自动补充句子

perplexity 1.3, 30267.7 tokens/sec on cpu
time traveller for some hige breacting im the midicil plocatily 
traveller for cat foulur three dimensions they could meve a

相较于从零实现的RNN循环神经网络相比，由于深度学习框架的高级API对代码进行了更多的优化， 该模型在较短的时间内达到了较低的困惑度。

小结

1.深度学习框架的高级API提供了循环神经网络层的实现。

2.高级API的循环神经网络层返回一个输出和一个更新后的隐状态，我们还需要计算整个模型的输出层。

3.相比从零开始实现的循环神经网络，使用高级API实现可以加速训练。