《PyTorch深度学习实践》P13循环神经网络RNN高级篇

全部代码在最后面。
分类任务:
用名字识别出语言;
《PyTorch深度学习实践》P13循环神经网络RNN高级篇_第1张图片
这里每一个名字实际上是一个序列,(序列长短不一致)
例如Maclean,-> M a c l e a n == x1,x2,x3,x4,x5,x6,x7

①准备数据
《PyTorch深度学习实践》P13循环神经网络RNN高级篇_第2张图片
用ASCII码来表示;
序列长短不一: 用padding
《PyTorch深度学习实践》P13循环神经网络RNN高级篇_第3张图片
对标签Y也做成词典:将来就可以再这个词典里查找
《PyTorch深度学习实践》P13循环神经网络RNN高级篇_第4张图片

对数据(.gz类型)的读取:
不同数据类型用不同包去读取!
《PyTorch深度学习实践》P13循环神经网络RNN高级篇_第5张图片

《PyTorch深度学习实践》P13循环神经网络RNN高级篇_第6张图片

制作键值对表:
《PyTorch深度学习实践》P13循环神经网络RNN高级篇_第7张图片
code:

    def getConutryDict(self):
        country_dict = dict()
        for idx, country_name in enumerate(self.country_list, 0):
            country_dict[country_name] = idx
        return country_dict

根据键值对的索引返回国家的字符串:
在这里插入图片描述
code:

    def idx2country(self, index):
        return self.country_list[index]

embedding层的输入输出维度:《PyTorch深度学习实践》P13循环神经网络RNN高级篇_第8张图片
embedding图示:
《PyTorch深度学习实践》P13循环神经网络RNN高级篇_第9张图片
GRU的输入输出维度:
《PyTorch深度学习实践》P13循环神经网络RNN高级篇_第10张图片
初始化的隐层维度:
《PyTorch深度学习实践》P13循环神经网络RNN高级篇_第11张图片

Bi-direction RNN/LSTM/GRU(双向的):
疑问:h0b从哪里得来的?或许也是初始化好全0的,如下图代码所示:
《PyTorch深度学习实践》P13循环神经网络RNN高级篇_第12张图片

《PyTorch深度学习实践》P13循环神经网络RNN高级篇_第13张图片
将来的输出:
《PyTorch深度学习实践》P13循环神经网络RNN高级篇_第14张图片
hidden将来状态:
《PyTorch深度学习实践》P13循环神经网络RNN高级篇_第15张图片
input维度变换:
《PyTorch深度学习实践》P13循环神经网络RNN高级篇_第16张图片
PackedSequence
得先排序!(“去掉”0的padding层)
作用:方便gru的计算
图示:
《PyTorch深度学习实践》P13循环神经网络RNN高级篇_第17张图片

把name转换成张量:
《PyTorch深度学习实践》P13循环神经网络RNN高级篇_第18张图片
①:先把人名拆开,再利用ASCII码对标;《PyTorch深度学习实践》P13循环神经网络RNN高级篇_第19张图片
②填充,padding,弥补长短不一问题;
《PyTorch深度学习实践》P13循环神经网络RNN高级篇_第20张图片
padding 实现代码:
实际上是先做一个全0的张量,然后依次把每个样本的指贴过去
《PyTorch深度学习实践》P13循环神经网络RNN高级篇_第21张图片
code:

 # Padding make tensor of name, BatchSize x SeqLen
    # 先做一个全0的张量
    seq_tensor = torch.zeros(len(name_sequences), seq_lengths.max()).long()
    # 这是一个复制操作,
    for idx, (seq, seq_len) in enumerate(zip(name_sequences, seq_lengths), 0):
        seq_tensor[idx, :seq_len] = torch.LongTensor(seq)

③转置,以便于满足embedding层的输入维度;
《PyTorch深度学习实践》P13循环神经网络RNN高级篇_第22张图片
④把这些排序;
《PyTorch深度学习实践》P13循环神经网络RNN高级篇_第23张图片
按序列长度排序:
code:

    # sort by length to use 
    # 排完序后得到 seq_lengths(排序后的序列) perm_idx(排序后对应的ID,即索引)pack_padded_seqence
    seq_lengths, perm_idx = seq_lengths.sort(dim=0, descending=True)
    seq_tensor = seq_tensor[perm_idx]
    countries = countries[perm_idx]

总的code:

import gzip
import csv
import math
import torch
import time
from torchvision import datasets
from torch.utils.data import Dataset
from torch.utils.data import DataLoader
from torch.nn.utils.rnn import pack_padded_sequence


HIDDEN_SIZE = 100
BATCH_SIZE = 256
N_LAYER = 2
N_EPOCHS = 100
N_CHARS = 128
USE_GPU = False

class NameDataset(Dataset):
    # 选择从训练集中读取/测试集中读取
    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)
            # 读取所有行 类型(name, language)
            rows = list(reader)
        # 把每一行的第0个元素放一起,即 name (row[0])集合在一个列表
        self.names = [row[0] for row in rows]
        self.len = len(self.names)
        # countries 同理 countries对应将来的标签
        self.countries = [row[1] for row in rows]
        # set(): 把列表变为集合,即去除重复元素,每个语言就只剩下一个实例,再sorted排序
        self.country_list = list(sorted(set(self.countries)))
        # 把这个列表转变为一个词典
        self.country_dict = self.getCountryDict()
        self.country_num = len(self.country_list)

    # 提供索引访问,返回两项
    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()
        for idx, country_name in enumerate(self.country_list, 0):
            country_dict[country_name] = idx
        return country_dict
    # 根据键值对的索引返回国家的字符串
    def idx2country(self, index):
        return self.country_list[index]
    # 想知道一共有几个国家
    def getCountriesNum(self):
        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 决定将来模型的输出维度
N_COUNTRY = trainset.getCountriesNum()

def create_tensor(tensor):
    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__()
        # hidden_size 和n_layers要用在GRU的处理上
        self.hidden_size = hidden_size
        self.n_layers = n_layers
        self.n_directions = 2 if bidirectional else 1

        self.embedding = torch.nn.Embedding(input_size, hidden_size)
        self.gru = torch.nn.GRU(hidden_size, hidden_size, n_layers,
                                bidirectional=bidirectional)
        # 若是n_directions = 2,hidden是俩个,所以线形层要把这俩个拼在一起,故hidden_size也要乘n_directions。
        self.fc = torch.nn.Linear(hidden_size * self.n_directions, output_size)

    def _init_hidden(self, batch_size):
        hidden = torch.zeros(self.n_layers * self.n_directions,
                             batch_size, self.hidden_size)
        return create_tensor(hidden)

    def forward(self, input, seq_lengths):
        # input shape:B X S -> S X B 矩阵转置,因为embedding层 需要的输入维度为:seqLen * batch_size
        input = input.t()
        # 同时算出batch_size
        batch_size = input.size(1)
        # 利用构造的函数和求导的batch_size得到初始化的隐层h
        hidden = self._init_hidden(batch_size)
        embedding = self.embedding(input)

        # pack them up
        gru_input = pack_padded_sequence(embedding, seq_lengths)

        output, hidden = self.gru(gru_input, hidden)
        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

# name2list是一个元组
def name2list(name):
    # 把名字变为列表,列表生成式↓,把每一个名字变成一个ASCII码列表
    arr = [ord(c) for c in name]
    # 返回一个列表本身和列表的长度
    return arr, len(arr)

def make_tensors(names, countries):
    sequences_and_lengths = [name2list(name) for name in names]
    # 取出列表的名字和列表长度
    name_sequences = [sl[0] for sl in sequences_and_lengths]
    seq_lengths = torch.LongTensor([sl[1] for sl in sequences_and_lengths])
    countries = countries.long()

    # Padding make tensor of name, BatchSize x SeqLen
    # 先做一个全0的张量
    seq_tensor = torch.zeros(len(name_sequences), seq_lengths.max()).long()
    # 这是一个复制操作,
    for idx, (seq, seq_len) in enumerate(zip(name_sequences, seq_lengths), 0):
        seq_tensor[idx, :seq_len] = torch.LongTensor(seq)

    # sort by length to use pack_padded_seqence
    # 排完序后得到 seq_lengths(排序后的序列) perm_idx(排序后对应的ID,即索引)
    seq_lengths, perm_idx = seq_lengths.sort(dim=0, descending=True)
    seq_tensor = seq_tensor[perm_idx]
    countries = countries[perm_idx]

    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):
        inputs, seq_lengths, target = make_tensors(names, countries)
        output = classifier(inputs, seq_lengths)
        loss = criterion(output, target)
        optimizer.zero_grad()
        loss.backward()
        optimizer.step()

        total_loss += loss.item()
        if i % 10 == 0:
            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 train model ...")
    with torch.no_grad():
        for i, (names, countries) in enumerate(testloader, 1):
            inputs, seq_lengths, target = make_tensors(names, countries)
            output = classifier(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


def time_since(since):
    # 当前的时间-开始的时间
    s = time.time() - since
    m = math.floor(s / 60)
    s -= m * 60
    return '%dm %ds' % (m, s)

if __name__ == '__main__':
    classifier = RNNClassifier(N_CHARS, HIDDEN_SIZE, N_COUNTRY, N_LAYER)
    if USE_GPU:
        device = torch.device("cude:0")
        classifier.to(device)

    criterion = torch.nn.CrossEntropyLoss()
    optimizer = torch.optim.Adam(classifier.parameters(), lr=0.001)

    # 求一下训练时间有多长
    start = time.time()
    print("Training for %d eopchs..." % N_EPOCHS)
    acc_list = []
    for epoch in range(1, N_EPOCHS + 1):
        trainModel()
        acc = testModel()
        acc_list.append(acc)

效果图(cpu):
《PyTorch深度学习实践》P13循环神经网络RNN高级篇_第24张图片
效果图(GPU):
tips,用GPU时需要在此处更改:在seq_lengths加一个.cpu()

# pack them up
        gru_input = pack_padded_sequence(embedding, seq_lengths.cpu())

《PyTorch深度学习实践》P13循环神经网络RNN高级篇_第25张图片

你可能感兴趣的:(pytorch,深度学习,pytorch,人工智能)