《PyTorch深度学习实践》第十三课(循环神经网络RNN高级版)

b站刘二视频,地址:

《PyTorch深度学习实践》完结合集_哔哩哔哩_bilibili

网络模型

通过RNN模型,实现输出名字,对应出国家的功能

《PyTorch深度学习实践》第十三课(循环神经网络RNN高级版)_第1张图片

构造数据列表 

《PyTorch深度学习实践》第十三课(循环神经网络RNN高级版)_第2张图片

 长短不一,构造成一样

《PyTorch深度学习实践》第十三课(循环神经网络RNN高级版)_第3张图片

将国家做成输出索引 

《PyTorch深度学习实践》第十三课(循环神经网络RNN高级版)_第4张图片

导入数据

如果以后数据集为pickle及其他的都可以用这种方法

《PyTorch深度学习实践》第十三课(循环神经网络RNN高级版)_第5张图片

模型

embedding层参数 

 《PyTorch深度学习实践》第十三课(循环神经网络RNN高级版)_第6张图片

GRU层参数

《PyTorch深度学习实践》第十三课(循环神经网络RNN高级版)_第7张图片 bidirection双向神经网络

双向,两边都走一遍,再拼接起来,起到了连接上下文的作用

最终输出的output,hidden

其中output是上面的h0到hn,output是【hnf,hnb】

《PyTorch深度学习实践》第十三课(循环神经网络RNN高级版)_第8张图片

最终的hidden是两个 

《PyTorch深度学习实践》第十三课(循环神经网络RNN高级版)_第9张图片

《PyTorch深度学习实践》第十三课(循环神经网络RNN高级版)_第10张图片

gru中因为序列长短不一,许多填充的是0,没必要参加运算,可以加速,使用 pack_padded_sequence

《PyTorch深度学习实践》第十三课(循环神经网络RNN高级版)_第11张图片

embedding 过程

返回一个PackedSquence object《PyTorch深度学习实践》第十三课(循环神经网络RNN高级版)_第12张图片

 把为0的去除,其他的拼接在一起,但是他要求的是输入序列的长度递减,所以不行《PyTorch深度学习实践》第十三课(循环神经网络RNN高级版)_第13张图片

因此需要排序

《PyTorch深度学习实践》第十三课(循环神经网络RNN高级版)_第14张图片

接下来是横着取值,按照时间序列取值,可以并行计算

留下了batch_sizes,gru就可以据此得出需要取多少行

《PyTorch深度学习实践》第十三课(循环神经网络RNN高级版)_第15张图片 由名字转换为tensor的过程

《PyTorch深度学习实践》第十三课(循环神经网络RNN高级版)_第16张图片

 step1 转换为ascII《PyTorch深度学习实践》第十三课(循环神经网络RNN高级版)_第17张图片

 step2 做填充 

《PyTorch深度学习实践》第十三课(循环神经网络RNN高级版)_第18张图片

 step3做转置

《PyTorch深度学习实践》第十三课(循环神经网络RNN高级版)_第19张图片

 step4 排序

《PyTorch深度学习实践》第十三课(循环神经网络RNN高级版)_第20张图片

完整代码

import csv
import gzip
import math
import time
import torch
import matplotlib.pyplot as plt
import numpy as np
from torch.nn.utils.rnn import pack_padded_sequence
from torch.utils.data import Dataset
from torch.utils.data import DataLoader

HIDDEN_SIZE = 100
BATCH_SIZE = 256
N_LAYER = 2
N_EPOCHS = 200
N_CHARS = 128
USE_GPU = False

def time_since(since):
    s = time.time() - since
    m = math.floor(s / 60)
    s -= m * 60
    return '%dm %ds' %(m, s)

def name2list(name):
    arr = [ord(c) for c in name]#得到ascii码
    return arr, len(arr)

def create_tensor(tensor):
    if USE_GPU:
        device = torch.device("cuda:0")
        tensor = tensor.to(device)
    return tensor

def make_tensors(names, countries):
    sequences_and_lengths = [name2list(name) for name in names]# s[0] name s[1] 长度
    name_sequences = [s1[0] for s1 in sequences_and_lengths]
    seq_lengths = torch.LongTensor([s1[1] for s1 in sequences_and_lengths])
    countries = countries.long()

    #make tensor of name, BatchSize x seqlen
    seq_tensor = torch.zeros(len(name_sequences), seq_lengths.max()).long()
    for idx, (seq, seqlen) in enumerate(zip(name_sequences, seq_lengths), 0):
        seq_tensor[idx, :seqlen] = torch.LongTensor(seq)

    #sort by length to use pack padded sequence
    seq_lengths, perm_idx = seq_lengths.sort(dim=0, descending=True) #sort  返回两个值 1.排序完的表 2.相对应的索引
    seq_tensor = seq_tensor[perm_idx]
    countries = countries[perm_idx]

    return create_tensor(seq_tensor), \
            create_tensor(seq_lengths), \
            create_tensor(countries)


class NameDataset(Dataset):
    def __init__(self, is_train_set=True):
        filename = 'names_train.csv.gz' if is_train_set else 'name_test.csv.gz'
        with gzip.open(filename, 'rt') as f:
            reader = csv.reader(f)
            rows = list(reader)

        self.names = [row[0] for row in rows]
        self.len = len(self.names)
        self.countries = [row[1] for row in rows]
        self.country_list = list(sorted(set(self.countries)))
        self.country_dict = self.getCountryDict()
        self.country_num = len(self.country_list)

    def __getitem__(self, idx):
        return self.names[idx], self.country_dict[self.countries[idx]]

    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

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

    def getCountriesNum(self):
        return self.country_num

trainset = NameDataset(True)
trainloader = DataLoader(trainset, batch_size=BATCH_SIZE, shuffle=True)
testset = NameDataset(True)
testloader = DataLoader(testset, batch_size=BATCH_SIZE, shuffle=True)

N_COUNTRY = trainset.getCountriesNum()

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
        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)
        self.fc = torch.nn.Linear(hidden_size * self.n_directions, output_size)
                                    #               如果是双向的,最终hidden是两,要乘上2

    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
        input = input.t()
        batch_size = input.size(1)

        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

def trainModel():
    total_loss = 0
    for i, (names, countries) in enumerate(trainloader, 1):#1 代表索引i从1开始,也代表轮数
        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 trained 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

if __name__ == '__main__':
    classifier = RNNClassifier(N_CHARS, HIDDEN_SIZE, N_COUNTRY, N_LAYER)
                 #  字母表的个数   隐层       国家数     层数

    if USE_GPU: #用GPU训练
        device = torch.device("cuda:0")
        classifier.to(device)

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

    start = time.time()
    print("Training for %d epochs..." % (N_EPOCHS + 1))
    acc_list = []
    for epoch in range(1, N_EPOCHS + 1):
        trainModel()
        acc = testModel()
        acc_list.append(acc)

    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()

你可能感兴趣的:(PyTorch刘二,深度学习,pytorch,rnn)