深度学习第二天：RNN循环神经网络
☁️主页 Nowl
专栏《机器学习实战》 《机器学习》
君子坐而论道，少年起而行之
文章目录
介绍
记忆功能对比展现
任务描述
导入库
处理数据
前馈神经网络
循环神经网络
编译与训练模型
模型预测
可能的问题
梯度消失
梯度爆炸
其他的循环神经网络
结语
介绍
RNN也叫循环神经网络，普通的神经网络层的输入都是上一层的输出，而循环神经网络会在RNN层循环指定次数，这样的特点使得RNN在处理序列数据上表现得很好，因为它可以更好地记住前后文的关系
记忆功能对比展现
任务描述
我们有一段数字序列，我们训练一个神经网络，使得该模型能通过任意连在一起的两个数，判断出第三个数
我们先定义数字序列
data_sequence = [1, 3, 5, 2, 4, 9, 7, 6, 8]导入库
import numpy as np
from keras.models import Sequential
from keras.layers import SimpleRNN, Dense处理数据
# 准备训练数据，使用前两个数字作为输入，预测第三个数字，以此类推
X = []
y = []
for i in range(len(data_sequence)-2):
X.append([data_sequence[i], data_sequence[i+1]])
y.append(data_sequence[i+2])
X = np.array(X)
y = np.array(y)
# 转换数据形状以适应RNN
X = X.reshape((X.shape[0], X.shape[1], 1))我们打印X，得到下图结果，结果竖向排列，无法展示完全，X的形状为（7， 2， 1）（两两排列有七组数据，每组数据两个特征，每个特征单独输入）
打印y
为每两个数的第三个数
前馈神经网络
接下来我们定义一个简单的前馈神经网络
model = Sequential()
model.add(Dense(500, input_dim=2))
model.add(Dense(1))该模型有三层，输入层（没有在这里定义，我们等下输入的数据就充当这一层），一个500个神经元的线性层（输入维度为二），一个输出维度为1的输出层（输入维度为上一层神经元的个数，即500）
循环神经网络
定义一个循环神经网络
# 创建RNN模型
model = Sequential()
model.add(SimpleRNN(500, input_shape=(2, 1)))
model.add(Dense(1))该模型有三层，输入层（没有在这里定义，我们等下输入的数据就充当这一层），一个500个神经元的RNN层（input_shape=（2，1）的意思是时间步为2，每个时间步有一个数据，可以理解时间步为网络记忆的长度），一个输出维度为1的输出层（输入维度为上一层神经元的个数，即500）
编译与训练模型
# 编译模型
model.compile(optimizer='adam', loss='mse')
# 训练模型
model.fit(X, y, epochs=200, batch_size=1, verbose=2)- 编译阶段设置模型的优化器为adam，损失函数为mse
- 训练部分设置模型训练数据（X，y），设置训练回合为200次，批次为1，即一次输入一组数据，verbose决定了是否打印训练过程中的信息。verbose=2 表示打印每个 epoch 的信息，包括损失值和其他指标。verbose=0表示不打印任何信息，verbose=1表示打印进度条。
模型预测
接下来看看在相同神经元数量和相同训练批次上谁的效果更好吧
# 使用模型进行预测
input_data = np.array([[data_sequence[2], data_sequence[3]]])
predicted_value = model.predict(input_data)[0, 0]
# 打印预测结果
print(f"输入序列: {data_sequence[2:4]}，预测下一个数字: {predicted_value}")我们训练后使用5， 2进行预测，查看原始数据，我们知道下一个数字应该是4，让我们看看两个模型运行的结果吧
前馈神经网络
循环神经网络
可以看到循环神经网络的效果更优
可能的问题
梯度消失
当在网络的反向传播过程中梯度逐渐减小到几乎为零时，就会出现梯度消失问题。这使得网络难以学习到远距离时间步的依赖关系，因为在反向传播时，较早时间步的信息无法有效传递给较晚时间步。
梯度爆炸
相反，梯度爆炸是指在反向传播中，梯度变得非常大，这可能导致权重更新变得非常大，模型不稳定。这可能导致数值溢出和无法收敛。
这两个问题在神经网络中都会出现，只是由于RNN的结构，梯度消失与梯度爆炸问题会更加显著
其他的循环神经网络
- LSTM，LSTM引入了三个门（门是一种控制信息流动的机制）来控制信息的输入、输出和遗忘。
- GRU，GRU是对LSTM的一种简化版本，它只包含两个门：更新门（Update Gate）和重置门（Reset Gate）。
这两种循环神经网络能有效地应对梯度消失和梯度爆炸的问题，这里先做了解，之后会具体介绍
结语
- 循环神经网络是深度学习中一种重要的结构，一般用来处理文本，语音的序列数据
- 我们通过一个比较直观地感受到了RNN的记忆功能
- 梯度消失与梯度爆炸问题在RNN中更加显著
感谢阅读，觉得有用的话就订阅下本专栏吧