网站开发好就业吗,青岛物流网站建设,百度网站说明书,房山营销型网站制作开发注#xff1a;本文为《动手学深度学习》开源内容#xff0c;部分标注了个人理解#xff0c;仅为个人学习记录#xff0c;无抄袭搬运意图 6.5 循环神经网络的简洁实现
本节将使用PyTorch来更简洁地实现基于循环神经网络的语言模型。首先#xff0c;我们读取周杰伦专辑歌词… 注本文为《动手学深度学习》开源内容部分标注了个人理解仅为个人学习记录无抄袭搬运意图 6.5 循环神经网络的简洁实现
本节将使用PyTorch来更简洁地实现基于循环神经网络的语言模型。首先我们读取周杰伦专辑歌词数据集。
import time
import math
import numpy as np
import torch
from torch import nn, optim
import torch.nn.functional as Fimport sys
sys.path.append(..)
import d2lzh_pytorch as d2l
device torch.device(cuda if torch.cuda.is_available() else cpu)(corpus_indices, char_to_idx, idx_to_char, vocab_size) d2l.load_data_jay_lyrics()6.5.1 定义模型
PyTorch中的nn模块提供了循环神经网络的实现。下面构造一个含单隐藏层、隐藏单元个数为256的循环神经网络层rnn_layer。
num_hiddens 256
# rnn_layer nn.LSTM(input_sizevocab_size, hidden_sizenum_hiddens) # 已测试
rnn_layer nn.RNN(input_sizevocab_size, hidden_sizenum_hiddens)与上一节中实现的循环神经网络不同这里rnn_layer的输入形状为(时间步数, 批量大小, 输入个数)。其中输入个数即one-hot向量长度词典大小。此外rnn_layer作为nn.RNN实例在前向计算后会分别返回输出和隐藏状态h其中输出指的是隐藏层在各个时间步上计算并输出的隐藏状态它们通常作为后续输出层的输入。需要强调的是该“输出”本身并不涉及输出层计算形状为(时间步数, 批量大小, 隐藏单元个数)。而nn.RNN实例在前向计算返回的隐藏状态指的是隐藏层在最后时间步的隐藏状态当隐藏层有多层时每一层的隐藏状态都会记录在该变量中对于像长短期记忆LSTM隐藏状态是一个元组(h, c)即hidden state和cell state。我们会在本章的后面介绍长短期记忆和深度循环神经网络。关于循环神经网络以LSTM为例的输出可以参考下图图片来源。 循环神经网络以LSTM为例的输出 来看看我们的例子输出形状为(时间步数, 批量大小, 隐藏单元个数)隐藏状态h的形状为(层数, 批量大小, 隐藏单元个数)。
num_steps 35
batch_size 2
state None
X torch.rand(num_steps, batch_size, vocab_size)
Y, state_new rnn_layer(X, state)
print(Y.shape, len(state_new), state_new[0].shape)输出
torch.Size([35, 2, 256]) 1 torch.Size([2, 256])如果rnn_layer是nn.LSTM实例那么上面的输出是什么 接下来我们继承Module类来定义一个完整的循环神经网络。它首先将输入数据使用one-hot向量表示后输入到rnn_layer中然后使用全连接输出层得到输出。输出个数等于词典大小vocab_size。
# 本类已保存在d2lzh_pytorch包中方便以后使用
class RNNModel(nn.Module):def __init__(self, rnn_layer, vocab_size):super(RNNModel, self).__init__()self.rnn rnn_layerself.hidden_size rnn_layer.hidden_size * (2 if rnn_layer.bidirectional else 1) self.vocab_size vocab_sizeself.dense nn.Linear(self.hidden_size, vocab_size)self.state Nonedef forward(self, inputs, state): # inputs: (batch, seq_len)# 获取one-hot向量表示X d2l.to_onehot(inputs, self.vocab_size) # X是个listY, self.state self.rnn(torch.stack(X), state)# 全连接层会首先将Y的形状变成(num_steps * batch_size, num_hiddens)它的输出# 形状为(num_steps * batch_size, vocab_size)output self.dense(Y.view(-1, Y.shape[-1]))return output, self.state6.5.2 训练模型
同上一节一样下面定义一个预测函数。这里的实现区别在于前向计算和初始化隐藏状态的函数接口。
# 本函数已保存在d2lzh_pytorch包中方便以后使用
def predict_rnn_pytorch(prefix, num_chars, model, vocab_size, device, idx_to_char,char_to_idx):state Noneoutput [char_to_idx[prefix[0]]] # output会记录prefix加上输出for t in range(num_chars len(prefix) - 1):X torch.tensor([output[-1]], devicedevice).view(1, 1)if state is not None:if isinstance(state, tuple): # LSTM, state:(h, c) state (state[0].to(device), state[1].to(device))else: state state.to(device)(Y, state) model(X, state)if t len(prefix) - 1:output.append(char_to_idx[prefix[t 1]])else:output.append(int(Y.argmax(dim1).item()))return .join([idx_to_char[i] for i in output])让我们使用权重为随机值的模型来预测一次。
model RNNModel(rnn_layer, vocab_size).to(device)
predict_rnn_pytorch(分开, 10, model, vocab_size, device, idx_to_char, char_to_idx)输出
分开戏想暖迎凉想征凉征征接下来实现训练函数。算法同上一节的一样但这里只使用了相邻采样来读取数据。
# 本函数已保存在d2lzh_pytorch包中方便以后使用
def train_and_predict_rnn_pytorch(model, num_hiddens, vocab_size, device,corpus_indices, idx_to_char, char_to_idx,num_epochs, num_steps, lr, clipping_theta,batch_size, pred_period, pred_len, prefixes):loss nn.CrossEntropyLoss()optimizer torch.optim.Adam(model.parameters(), lrlr)model.to(device)state Nonefor epoch in range(num_epochs):l_sum, n, start 0.0, 0, time.time()data_iter d2l.data_iter_consecutive(corpus_indices, batch_size, num_steps, device) # 相邻采样for X, Y in data_iter:if state is not None:# 使用detach函数从计算图分离隐藏状态, 这是为了# 使模型参数的梯度计算只依赖一次迭代读取的小批量序列(防止梯度计算开销太大)if isinstance (state, tuple): # LSTM, state:(h, c) state (state[0].detach(), state[1].detach())else: state state.detach()(output, state) model(X, state) # output: 形状为(num_steps * batch_size, vocab_size)# Y的形状是(batch_size, num_steps)转置后再变成长度为# batch * num_steps 的向量这样跟输出的行一一对应y torch.transpose(Y, 0, 1).contiguous().view(-1)l loss(output, y.long())optimizer.zero_grad()l.backward()# 梯度裁剪d2l.grad_clipping(model.parameters(), clipping_theta, device)optimizer.step()l_sum l.item() * y.shape[0]n y.shape[0]try:perplexity math.exp(l_sum / n)except OverflowError:perplexity float(inf)if (epoch 1) % pred_period 0:print(epoch %d, perplexity %f, time %.2f sec % (epoch 1, perplexity, time.time() - start))for prefix in prefixes:print( -, predict_rnn_pytorch(prefix, pred_len, model, vocab_size, device, idx_to_char,char_to_idx))使用和上一节实验中一样的超参数除了学习率来训练模型。
num_epochs, batch_size, lr, clipping_theta 250, 32, 1e-3, 1e-2 # 注意这里的学习率设置
pred_period, pred_len, prefixes 50, 50, [分开, 不分开]
train_and_predict_rnn_pytorch(model, num_hiddens, vocab_size, device,corpus_indices, idx_to_char, char_to_idx,num_epochs, num_steps, lr, clipping_theta,batch_size, pred_period, pred_len, prefixes)输出
epoch 50, perplexity 10.658418, time 0.05 sec- 分开始我妈 想要你 我不多 让我心到的 我妈妈 我不能再想 我不多再想 我不要再想 我不多再想 我不要- 不分开 我想要你不你 我 你不要 让我心到的 我妈人 可爱女人 坏坏的让我疯狂的可爱女人 坏坏的让我疯狂的
epoch 100, perplexity 1.308539, time 0.05 sec- 分开不会痛 不要 你在黑色幽默 开始了美丽全脸的梦滴 闪烁成回忆 伤人的美丽 你的完美主义 太彻底 让我- 不分开不是我不要再想你 我不能这样牵着你的手不放开 爱可不可以简简单单没有伤害 你 靠着我的肩膀 你 在我
epoch 150, perplexity 1.070370, time 0.05 sec- 分开不能去河南嵩山 学少林跟武当 快使用双截棍 哼哼哈兮 快使用双截棍 哼哼哈兮 习武之人切记 仁者无敌- 不分开 在我会想通 是谁开没有全有开始 他心今天 一切人看 我 一口令秋软语的姑娘缓缓走过外滩 消失的 旧
epoch 200, perplexity 1.034663, time 0.05 sec- 分开不能去吗周杰伦 才离 没要你在一场悲剧 我的完美主义 太彻底 分手的话像语言暴力 我已无能为力再提起- 不分开 让我面到你 爱情来的太快就像龙卷风 离不开暴风圈来不及逃 我不能再想 我不能再想 我不 我不 我不
epoch 250, perplexity 1.021437, time 0.05 sec- 分开 我我外的家边 你知道这 我爱不看的太 我想一个又重来不以 迷已文一只剩下回忆 让我叫带你 你你的- 不分开 我我想想和 是你听没不 我不能不想 不知不觉 你已经离开我 不知不觉 我跟了这节奏 后知后觉 小结
PyTorch的nn模块提供了循环神经网络层的实现。PyTorch的nn.RNN实例在前向计算后会分别返回输出和隐藏状态。该前向计算并不涉及输出层计算。 注除代码外本节与原书此节基本相同原书传送门
