[PyTorch][chapter 44][RNN]

简介

            循环神经网络（Recurrent Neural Network, RNN）是一类以序列（sequence）数据为输入，在序列的演进方向进行递归（recursion）且所有节点（循环单元）按链式连接的递归神经网络（recursive neural network） [1]  。

            对循环神经网络的研究始于二十世纪80-90年代，并在二十一世纪初发展为深度学习（deep learning）算法之一 [2]  ，其中双向循环神经网络（Bidirectional RNN, Bi-RNN）和长短期记忆网络（Long Short-Term Memory networks，LSTM）是常见的循环神经网络 [3]  。

---

目录：

1.  模型
2. Forward
3. Backward
4. nn.RNN
5. nn.RNNCell

---

一  模型

    

                   : t 时刻样本输入

                   : t 时刻样本隐藏状态

                    t时刻输出

                  :  t时刻样本预测类别（只有分类算法才有）

                  : t 时刻损失函数

---

二  RNN 前向传播算法 Forward

     2.1   t 时刻隐藏值 更新

             

             

            其中激活函数通常用tanh

   2.2   t 时刻输出

           

           

           其中激活函数 为softmax

---

三 RNN 反向传播算法 BPTT(back-propagation through time)

      3.1 输出层参数v,c梯度

             

             

      

     3.2  隐藏层参数更新

             定义

               

                   

               证明：

                     

                            

                             

                            

                  对于最后一个时刻T

                   

          3.3 计算权重系数U,W,b

                   

                   

                    

---

四 nn.RNN 

   这里面介绍PyTorch 使用RNN 类

                       

    4.1 更新规则：

                      

                    

                

参数	说明
L	时间序列长度T  or 句子长度为 L
N	batch_size
d	输入特征维度

                  

                     

# -*- coding: utf-8 -*-
"""
Created on Wed Jul 19 15:30:01 2023

@author: chengxf2
"""

import torch
import torch.nn as nn


rnn = nn.RNN(input_size=100, hidden_size=5)
param = rnn._parameters

print("\n 权重系数",param.keys())

print(rnn.weight_ih_l0.shape)

输出：

 

 RNN参数说明：

参数	说明
input_size =d	输入维度
hidden_size=h：	隐藏层维度
num_layers	RNN默认是 1 层。该参数大于 1 时,会形成 Stacked RNN，又称多层RNN或深度RNN；
nonlinearity	非线性激活函数。可以选择 tanh 或 relu
bias	即偏置。默认启用
batch_first	选择让 batch_size=N 作为输入的形状中的第一个参数。默认是 False,L × N × d 形状； 当 batch_first=True 时， N × L × d
dropout	即是否启用 dropout。如要启用，则应设置 dropout 的概率，此时除最后一层外，RNN的每一层后面都会加上一个dropout层。默认是 0，即不启用
bidirectional	即是否启用双向RNN，默认关闭

 4.2 单层例子

import torch.nn as nn
import torch

rnn = nn.RNN(input_size= 100, hidden_size=20, num_layers=1)

X = torch.randn(10,3,100)

h_0 = torch.zeros(1,3,20)

out,h = rnn(X,h_0)


print("\n out.shape",out.shape)

print("\n h.shape",h.shape)
      

          out： 包含每个时刻的 隐藏值

           h :    最后一个时刻的隐藏值

  4.3  多层RNN

    

    把当前的隐藏层输出，作为下一层的输入

 第一个隐藏层输出：

               

第二个隐藏层输出

            

# -*- coding: utf-8 -*-
"""
Created on Mon Jul 24 11:43:30 2023

@author: chengxf2
"""

import torch.nn as nn
import torch
rnn = nn.RNN(input_size=100,  hidden_size=20, num_layers=2)
print(rnn)

x = torch.randn(10,3,100) #默认是[L,N,d]结构

out,h =rnn(x)

print(out.shape, h.shape)

---

5  nn.RNNCell

     nn.RNN封装了整个RNN实现的过程, PyTorch 还提供了 nn.RNNCell 可以

自己实现RNN 

                

                

                

               

   5.1  单层RNN

          

# -*- coding: utf-8 -*-
"""
Created on Mon Jul 24 11:43:30 2023

@author: chengxf2
"""
import torch
from torch import nn

def  main():
    model = nn.RNNCell(input_size=10, hidden_size=20)
    
    h1= torch.zeros(3,20)
    
    trainData = torch.randn(8,3,10)
    
    for xt in trainData:
        
         h1= model(xt,h1)
         
    print(h1.shape)


if __name__ == "__main__":
    
    main()
    

 6.2 多层RNN

# -*- coding: utf-8 -*-
"""
Created on Mon Jul 24 11:43:30 2023

@author: chengxf2
"""
import torch
from torch import nn



def  main():
    layer1 = nn.RNNCell(input_size=40, hidden_size=30)
    layer2 = nn.RNNCell(input_size=30, hidden_size=20)
    
    h1= torch.zeros(3,30)
    h2= torch.zeros(3,20)
    
    
    trainData = torch.randn(8,3,40)
    
    for xt in trainData:
        
         h1=  layer1(xt,h1)
         h2 = layer2(h1,h2)
    
    print(h1.shape)
    print(h2.shape)


if __name__ == "__main__":
    
    main()
    

     

参考：

Pytorch 循环神经网络 nn.RNN() nn.RNNCell() nn.Parameter()不同方法实现_老光头_ME2CS的博客-CSDN博客