外贸网站设计注意事项,wordpress实时聊天,携程网站的会计工作怎么做,光电网站设计一、认识RNN模型
1 什么是RNN模型 RNN(Recurrent Neural Network), 中文称作循环神经网络, 它一般以序列数据为输入, 通过网络内部的结构设计有效捕捉序列之间的关系特征, 一般也是以序列形式进行输出. 一般单层神经网络结构: RNN单层网络结构: 以时间步对RNN进行展开后的单层…一、认识RNN模型
1 什么是RNN模型 RNN(Recurrent Neural Network), 中文称作循环神经网络, 它一般以序列数据为输入, 通过网络内部的结构设计有效捕捉序列之间的关系特征, 一般也是以序列形式进行输出. 一般单层神经网络结构: RNN单层网络结构: 以时间步对RNN进行展开后的单层网络结构: RNN的循环机制使模型隐层上一时间步产生的结果, 能够作为当下时间步输入的一部分(当下时间步的输入除了正常的输入外还包括上一步的隐层输出)对当下时间步的输出产生影响. 2 RNN模型的作用 因为RNN结构能够很好利用序列之间的关系, 因此针对自然界具有连续性的输入序列, 如人类的语言, 语音等进行很好的处理, 广泛应用于NLP领域的各项任务, 如文本分类, 情感分析, 意图识别, 机器翻译等. 下面我们将以一个用户意图识别的例子进行简单的分析: 第一步: 用户输入了"What time is it ?", 我们首先需要对它进行基本的分词, 因为RNN是按照顺序工作的, 每次只接收一个单词进行处理. 第二步: 首先将单词"What"输送给RNN, 它将产生一个输出O1. 第三步: 继续将单词"time"输送给RNN, 但此时RNN不仅仅利用"time"来产生输出O2, 还会使用来自上一层隐层输出O1作为输入信息. 第四步: 重复这样的步骤, 直到处理完所有的单词. 第五步: 最后，将最终的隐层输出O5进行处理来解析用户意图. 3 RNN模型的分类 这里我们将从两个角度对RNN模型进行分类. 第一个角度是输入和输出的结构, 第二个角度是RNN的内部构造. 按照输入和输出的结构进行分类: N vs N - RNN N vs 1 - RNN 1 vs N - RNN N vs M - RNN 按照RNN的内部构造进行分类: 传统RNN LSTM Bi-LSTM GRU Bi-GRU N vs N - RNN: 它是RNN最基础的结构形式, 最大的特点就是: 输入和输出序列是等长的. 由于这个限制的存在, 使其适用范围比较小, 可用于生成等长度的合辙诗句. N vs 1 - RNN: 有时候我们要处理的问题输入是一个序列，而要求输出是一个单独的值而不是序列，应该怎样建模呢？我们只要在最后一个隐层输出h上进行线性变换就可以了，大部分情况下，为了更好的明确结果, 还要使用sigmoid或者softmax进行处理. 这种结构经常被应用在文本分类问题上. 1 vs N - RNN: 如果输入不是序列而输出为序列的情况怎么处理呢？我们最常采用的一种方式就是使该输入作用于每次的输出之上. 这种结构可用于将图片生成文字任务等. N vs M - RNN: 这是一种不限输入输出长度的RNN结构, 它由编码器和解码器两部分组成, 两者的内部结构都是某类RNN, 它也被称为seq2seq架构. 输入数据首先通过编码器, 最终输出一个隐含变量c, 之后最常用的做法是使用这个隐含变量c作用在解码器进行解码的每一步上, 以保证输入信息被有效利用. seq2seq架构最早被提出应用于机器翻译, 因为其输入输出不受限制，如今也是应用最广的RNN模型结构. 在机器翻译, 阅读理解, 文本摘要等众多领域都进行了非常多的应用实践. 关于RNN的内部构造进行分类的内容我们将在后面使用单独的小节详细讲解. 4 小结 学习了什么是RNN模型: RNN(Recurrent Neural Network), 中文称作循环神经网络, 它一般以序列数据为输入, 通过网络内部的结构设计有效捕捉序列之间的关系特征, 一般也是以序列形式进行输出. RNN的循环机制使模型隐层上一时间步产生的结果, 能够作为当下时间步输入的一部分(当下时间步的输入除了正常的输入外还包括上一步的隐层输出)对当下时间步的输出产生影响. 学习了RNN模型的作用: 因为RNN结构能够很好利用序列之间的关系, 因此针对自然界具有连续性的输入序列, 如人类的语言, 语音等进行很好的处理, 广泛应用于NLP领域的各项任务, 如文本分类, 情感分析, 意图识别, 机器翻译等. 以一个用户意图识别的例子对RNN的运行过程进行简单的分析: 第一步: 用户输入了"What time is it ?", 我们首先需要对它进行基本的分词, 因为RNN是按照顺序工作的, 每次只接收一个单词进行处理. 第二步: 首先将单词"What"输送给RNN, 它将产生一个输出O1. 第三步: 继续将单词"time"输送给RNN, 但此时RNN不仅仅利用"time"来产生输出O2, 还会使用来自上一层隐层输出O1作为输入信息. 第四步: 重复这样的步骤, 直到处理完所有的单词. 第五步: 最后，将最终的隐层输出O5进行处理来解析用户意图. 学习了RNN模型的分类: 这里我们将从两个角度对RNN模型进行分类. 第一个角度是输入和输出的结构, 第二个角度是RNN的内部构造. 按照输入和输出的结构进行分类: N vs N - RNN N vs 1 - RNN 1 vs N - RNN N vs M - RNN N vs N - RNN: 它是RNN最基础的结构形式, 最大的特点就是: 输入和输出序列是等长的. 由于这个限制的存在, 使其适用范围比较小, 可用于生成等长度的合辙诗句. N vs 1 - RNN: 有时候我们要处理的问题输入是一个序列，而要求输出是一个单独的值而不是序列，应该怎样建模呢？我们只要在最后一个隐层输出h上进行线性变换就可以了，大部分情况下，为了更好的明确结果, 还要使用sigmoid或者softmax进行处理. 这种结构经常被应用在文本分类问题上. 1 vs N - RNN: 如果输入不是序列而输出为序列的情况怎么处理呢？我们最常采用的一种方式就是使该输入作用于每次的输出之上. 这种结构可用于将图片生成文字任务等. N vs M - RNN: 这是一种不限输入输出长度的RNN结构, 它由编码器和解码器两部分组成, 两者的内部结构都是某类RNN, 它也被称为seq2seq架构. 输入数据首先通过编码器, 最终输出一个隐含变量c, 之后最常用的做法是使用这个隐含变量c作用在解码器进行解码的每一步上, 以保证输入信息被有效利用. seq2seq架构最早被提出应用于机器翻译, 因为其输入输出不受限制，如今也是应用最广的RNN模型结构. 在机器翻译, 阅读理解, 文本摘要等众多领域都进行了非常多的应用实践. 按照RNN的内部构造进行分类: 传统RNN LSTM Bi-LSTM GRU Bi-GRU 二、传统RNN模型
1 传统RNN的内部结构图
1.1 RNN结构分析 结构解释图: 内部结构分析: 我们把目光集中在中间的方块部分, 它的输入有两部分, 分别是h(t-1)以及x(t), 代表上一时间步的隐层输出, 以及此时间步的输入, 它们进入RNN结构体后, 会"融合"到一起, 这种融合我们根据结构解释可知, 是将二者进行拼接, 形成新的张量[x(t), h(t-1)], 之后这个新的张量将通过一个全连接层(线性层), 该层使用tanh作为激活函数, 最终得到该时间步的输出h(t), 它将作为下一个时间步的输入和x(t+1)一起进入结构体. 以此类推. 内部结构过程演示: 根据结构分析得出内部计算公式:ht=tanh(Wt[Xt,ht−1]+bt)ht=tanh(Wt[Xt,ht−1]+bt) 激活函数tanh的作用: 用于帮助调节流经网络的值, tanh函数将值压缩在-1和1之间. 1.2 使用Pytorch构建RNN模型 位置: 在torch.nn工具包之中, 通过torch.nn.RNN可调用 nn.RNN使用示例1: import torch
import torch.nn as nn
def dm_rnn_for_base(): ''' 第一个参数：input_size(输入张量x的维度) 第二个参数：hidden_size(隐藏层的维度， 隐藏层的神经元个数) 第三个参数：num_layer(隐藏层的数量) ''' rnn = nn.RNN(5, 6, 1) #A
''' 第一个参数：sequence_length(输入序列的长度) 第二个参数：batch_size(批次的样本数量) 第三个参数：input_size(输入张量的维度) ''' input = torch.randn(1, 3, 5) #B
''' 第一个参数：num_layer * num_directions(层数*网络方向) 第二个参数：batch_size(批次的样本数) 第三个参数：hidden_size(隐藏层的维度， 隐藏层神经元的个数) ''' h0 = torch.randn(1, 3, 6) #C
# [1,3,5],[1,3,6] --- [1,3,6],[1,3,6] output, hn = rnn(input, h0)
print('output---',output.shape, output) print('hn---',hn.shape, hn) print('rnn模型---', rnn)
# 程序运行效果如下：output--- torch.Size([1, 3, 6]) tensor([[[ 0.8947, -0.6040, 0.9878, -0.1070, -0.7071, -0.1434], [ 0.0955, -0.8216, 0.9475, -0.7593, -0.8068, -0.5549], [-0.1524, 0.7519, -0.1985, 0.0937, 0.2009, -0.0244]]], grad_fn=StackBackward0)
hn--- torch.Size([1, 3, 6]) tensor([[[ 0.8947, -0.6040, 0.9878, -0.1070, -0.7071, -0.1434], [ 0.0955, -0.8216, 0.9475, -0.7593, -0.8068, -0.5549], [-0.1524, 0.7519, -0.1985, 0.0937, 0.2009, -0.0244]]], grad_fn=StackBackward0)
rnn模型--- RNN(5, 6) nn.RNN使用示例2 # 输入数据长度发生变化
def dm_rnn_for_sequencelen(): ''' 第一个参数：input_size(输入张量x的维度) 第二个参数：hidden_size(隐藏层的维度， 隐藏层的神经元个数) 第三个参数：num_layer(隐藏层的数量) ''' rnn = nn.RNN(5, 6, 1) #A ''' 第一个参数：sequence_length(输入序列的长度) 第二个参数：batch_size(批次的样本数量) 第三个参数：input_size(输入张量的维度) ''' input = torch.randn(20, 3, 5) #B ''' 第一个参数：num_layer * num_directions(层数*网络方向) 第二个参数：batch_size(批次的样本数) 第三个参数：hidden_size(隐藏层的维度， 隐藏层神经元的个数) ''' h0 = torch.randn(1, 3, 6) #C
# [20,3,5],[1,3,6] ---[20,3,6],[1,3,6] output, hn = rnn(input, h0) #
print('output---', output.shape) print('hn---', hn.shape) print('rnn模型---', rnn)
# 程序运行效果如下：
output--- torch.Size([20, 3, 6])
hn--- torch.Size([1, 3, 6])
rnn模型--- RNN(5, 6) nn.RNN使用示例3 def dm_run_for_hiddennum(): ''' 第一个参数：input_size(输入张量x的维度) 第二个参数：hidden_size(隐藏层的维度， 隐藏层的神经元个数) 第三个参数：num_layer(隐藏层的数量) ''' rnn = nn.RNN(5, 6, 2) # A 隐藏层个数从1--2 下面程序需要修改的地方？ ''' 第一个参数：sequence_length(输入序列的长度) 第二个参数：batch_size(批次的样本数量) 第三个参数：input_size(输入张量的维度) ''' input = torch.randn(1, 3, 5) # B ''' 第一个参数：num_layer * num_directions(层数*网络方向) 第二个参数：batch_size(批次的样本数) 第三个参数：hidden_size(隐藏层的维度， 隐藏层神经元的个数) ''' h0 = torch.randn(2, 3, 6) # C
output, hn = rnn(input, h0) # print('output--', output.shape, output) print('hn--', hn.shape, hn) print('rnn模型---', rnn) # nn模型--- RNN(5, 6, num_layers=11)
# 结论：若只有一个隐藏次 output输出结果等于hn # 结论：如果有2个隐藏层，output的输出结果有2个，hn等于最后一个隐藏层
# 程序运行效果如下：
output-- torch.Size([1, 3, 6]) tensor([[[ 0.4987, -0.5756, 0.1934, 0.7284, 0.4478, -0.1244], [ 0.6753, 0.5011, -0.7141, 0.4480, 0.7186, 0.5437], [ 0.6260, 0.7600, -0.7384, -0.5080, 0.9054, 0.6011]]], grad_fn=StackBackward0)
hn-- torch.Size([2, 3, 6]) tensor([[[ 0.4862, 0.6872, -0.0437, -0.7826, -0.7136, -0.5715], [ 0.8942, 0.4524, -0.1695, -0.5536, -0.4367, -0.3353], [ 0.5592, 0.0444, -0.8384, -0.5193, 0.7049, -0.0453]],
[[ 0.4987, -0.5756, 0.1934, 0.7284, 0.4478, -0.1244], [ 0.6753, 0.5011, -0.7141, 0.4480, 0.7186, 0.5437], [ 0.6260, 0.7600, -0.7384, -0.5080, 0.9054, 0.6011]]], grad_fn=StackBackward0)
rnn模型--- RNN(5, 6, num_layers=2)
1.3 传统RNN优缺点
1 传统RNN的优势 由于内部结构简单, 对计算资源要求低, 相比之后我们要学习的RNN变体:LSTM和GRU模型参数总量少了很多, 在短序列任务上性能和效果都表现优异. 2 传统RNN的缺点 传统RNN在解决长序列之间的关联时, 通过实践，证明经典RNN表现很差, 原因是在进行反向传播的时候, 过长的序列导致梯度的计算异常, 发生梯度消失或爆炸. 3 梯度消失或爆炸介绍
根据反向传播算法和链式法则, 梯度的计算可以简化为以下公式 其中sigmoid的导数值域是固定的, 在[0, 0.25]之间, 而一旦公式中的w也小于1, 那么通过这样的公式连乘后, 最终的梯度就会变得非常非常小, 这种现象称作梯度消失. 反之, 如果我们人为的增大w的值, 使其大于1, 那么连乘够就可能造成梯度过大, 称作梯度爆炸. 梯度消失或爆炸的危害: 如果在训练过程中发生了梯度消失，权重无法被更新，最终导致训练失败; 梯度爆炸所带来的梯度过大，大幅度更新网络参数，在极端情况下，结果会溢出（NaN值）. 2 小结 学习了传统RNN的结构并进行了分析; 它的输入有两部分, 分别是h(t-1)以及x(t), 代表上一时间步的隐层输出, 以及此时间步的输入, 它们进入RNN结构体后, 会"融合"到一起, 这种融合我们根据结构解释可知, 是将二者进行拼接, 形成新的张量[x(t), h(t-1)], 之后这个新的张量将通过一个全连接层(线性层), 该层使用tanh作为激活函数, 最终得到该时间步的输出h(t), 它将作为下一个时间步的输入和x(t+1)一起进入结构体. 以此类推. 根据结构分析得出了传统RNN的计算公式. 学习了激活函数tanh的作用: 用于帮助调节流经网络的值, tanh函数将值压缩在-1和1之间. 学习了Pytorch中传统RNN工具的使用: 位置: 在torch.nn工具包之中, 通过torch.nn.RNN可调用. nn.RNN类初始化主要参数解释: input_size: 输入张量x中特征维度的大小. hidden_size: 隐层张量h中特征维度的大小. num_layers: 隐含层的数量. nonlinearity: 激活函数的选择, 默认是tanh. nn.RNN类实例化对象主要参数解释: input: 输入张量x. h0: 初始化的隐层张量h. 实现了nn.RNN的使用示例, 获得RNN的真实返回结果样式. 学习了传统RNN的优势: 由于内部结构简单, 对计算资源要求低, 相比之后我们要学习的RNN变体:LSTM和GRU模型参数总量少了很多, 在短序列任务上性能和效果都表现优异. 学习了传统RNN的缺点: 传统RNN在解决长序列之间的关联时, 通过实践，证明经典RNN表现很差, 原因是在进行反向传播的时候, 过长的序列导致梯度的计算异常, 发生梯度消失或爆炸. 学习了什么是梯度消失或爆炸: 根据反向传播算法和链式法则, 得到梯度的计算的简化公式:其中sigmoid的导数值域是固定的, 在[0, 0.25]之间, 而一旦公式中的w也小于1, 那么通过这样的公式连乘后, 最终的梯度就会变得非常非常小, 这种现象称作梯度消失. 反之, 如果我们人为的增大w的值, 使其大于1, 那么连乘够就可能造成梯度过大, 称作梯度爆炸. 梯度消失或爆炸的危害: 如果在训练过程中发生了梯度消失，权重无法被更新，最终导致训练失败; 梯度爆炸所带来的梯度过大，大幅度更新网络参数，在极端情况下，结果会溢出（NaN值）. 三、LSTM模型
1 LSTM介绍
LSTM（Long Short-Term Memory）也称长短时记忆结构, 它是传统RNN的变体, 与经典RNN相比能够有效捕捉长序列之间的语义关联, 缓解梯度消失或爆炸现象. 同时LSTM的结构更复杂, 它的核心结构可以分为四个部分去解析: 遗忘门 输入门 细胞状态 输出门 2 LSTM的内部结构图
2.1 LSTM结构分析 结构解释图: 遗忘门部分结构图与计算公式: 遗忘门结构分析: 与传统RNN的内部结构计算非常相似, 首先将当前时间步输入x(t)与上一个时间步隐含状态h(t-1)拼接, 得到[x(t), h(t-1)], 然后通过一个全连接层做变换, 最后通过sigmoid函数进行激活得到f(t), 我们可以将f(t)看作是门值, 好比一扇门开合的大小程度, 门值都将作用在通过该扇门的张量, 遗忘门门值将作用的上一层的细胞状态上, 代表遗忘过去的多少信息, 又因为遗忘门门值是由x(t), h(t-1)计算得来的, 因此整个公式意味着根据当前时间步输入和上一个时间步隐含状态h(t-1)来决定遗忘多少上一层的细胞状态所携带的过往信息. 遗忘门内部结构过程演示: 激活函数sigmiod的作用: 用于帮助调节流经网络的值, sigmoid函数将值压缩在0和1之间. 输入门部分结构图与计算公式: 输入门结构分析: 我们看到输入门的计算公式有两个, 第一个就是产生输入门门值的公式, 它和遗忘门公式几乎相同, 区别只是在于它们之后要作用的目标上. 这个公式意味着输入信息有多少需要进行过滤. 输入门的第二个公式是与传统RNN的内部结构计算相同. 对于LSTM来讲, 它得到的是当前的细胞状态, 而不是像经典RNN一样得到的是隐含状态. 输入门内部结构过程演示: 细胞状态更新图与计算公式: 细胞状态更新分析: 细胞更新的结构与计算公式非常容易理解, 这里没有全连接层, 只是将刚刚得到的遗忘门门值与上一个时间步得到的C(t-1)相乘, 再加上输入门门值与当前时间步得到的未更新C(t)相乘的结果. 最终得到更新后的C(t)作为下一个时间步输入的一部分. 整个细胞状态更新过程就是对遗忘门和输入门的应用. 细胞状态更新过程演示: 输出门部分结构图与计算公式: 输出门结构分析: 输出门部分的公式也是两个, 第一个即是计算输出门的门值, 它和遗忘门，输入门计算方式相同. 第二个即是使用这个门值产生隐含状态h(t), 他将作用在更新后的细胞状态C(t)上, 并做tanh激活, 最终得到h(t)作为下一时间步输入的一部分. 整个输出门的过程, 就是为了产生隐含状态h(t). 输出门内部结构过程演示: 2.2 Bi-LSTM介绍
Bi-LSTM即双向LSTM, 它没有改变LSTM本身任何的内部结构, 只是将LSTM应用两次且方向不同, 再将两次得到的LSTM结果进行拼接作为最终输出. Bi-LSTM结构分析: 我们看到图中对"我爱中国"这句话或者叫这个输入序列, 进行了从左到右和从右到左两次LSTM处理, 将得到的结果张量进行了拼接作为最终输出. 这种结构能够捕捉语言语法中一些特定的前置或后置特征, 增强语义关联,但是模型参数和计算复杂度也随之增加了一倍, 一般需要对语料和计算资源进行评估后决定是否使用该结构. 2.3 使用Pytorch构建LSTM模型 位置: 在torch.nn工具包之中, 通过torch.nn.LSTM可调用. nn.LSTM类初始化主要参数解释: input_size: 输入张量x中特征维度的大小. hidden_size: 隐层张量h中特征维度的大小. num_layers: 隐含层的数量. bidirectional: 是否选择使用双向LSTM, 如果为True, 则使用; 默认不使用. nn.LSTM类实例化对象主要参数解释: input: 输入张量x. h0: 初始化的隐层张量h. c0: 初始化的细胞状态张量c. nn.LSTM使用示例: # 定义LSTM的参数含义: (input_size, hidden_size, num_layers)
# 定义输入张量的参数含义: (sequence_length, batch_size, input_size)
# 定义隐藏层初始张量和细胞初始状态张量的参数含义:
# (num_layers * num_directions, batch_size, hidden_size)
import torch.nn as nnimport torchrnn = nn.LSTM(5, 6, 2)input = torch.randn(1, 3, 5)h0 = torch.randn(2, 3, 6)c0 = torch.randn(2, 3, 6)output, (hn, cn) = rnn(input, (h0, c0))output
tensor([[[ 0.0447, -0.0335, 0.1454, 0.0438, 0.0865, 0.0416], [ 0.0105, 0.1923, 0.5507, -0.1742, 0.1569, -0.0548], [-0.1186, 0.1835, -0.0022, -0.1388, -0.0877, -0.4007]]], grad_fn=StackBackward)hn
tensor([[[ 0.4647, -0.2364, 0.0645, -0.3996, -0.0500, -0.0152], [ 0.3852, 0.0704, 0.2103, -0.2524, 0.0243, 0.0477], [ 0.2571, 0.0608, 0.2322, 0.1815, -0.0513, -0.0291]],
[[ 0.0447, -0.0335, 0.1454, 0.0438, 0.0865, 0.0416], [ 0.0105, 0.1923, 0.5507, -0.1742, 0.1569, -0.0548], [-0.1186, 0.1835, -0.0022, -0.1388, -0.0877, -0.4007]]], grad_fn=StackBackward)cn
tensor([[[ 0.8083, -0.5500, 0.1009, -0.5806, -0.0668, -0.1161], [ 0.7438, 0.0957, 0.5509, -0.7725, 0.0824, 0.0626], [ 0.3131, 0.0920, 0.8359, 0.9187, -0.4826, -0.0717]],
[[ 0.1240, -0.0526, 0.3035, 0.1099, 0.5915, 0.0828], [ 0.0203, 0.8367, 0.9832, -0.4454, 0.3917, -0.1983], [-0.2976, 0.7764, -0.0074, -0.1965, -0.1343, -0.6683]]], grad_fn=StackBackward)
2.4 LSTM优缺点 LSTM优势: LSTM的门结构能够有效减缓长序列问题中可能出现的梯度消失或爆炸, 虽然并不能杜绝这种现象, 但在更长的序列问题上表现优于传统RNN. LSTM缺点: 由于内部结构相对较复杂, 因此训练效率在同等算力下较传统RNN低很多. 3 小结 LSTM（Long Short-Term Memory）也称长短时记忆结构, 它是传统RNN的变体, 与经典RNN相比能够有效捕捉长序列之间的语义关联, 缓解梯度消失或爆炸现象. 同时LSTM的结构更复杂, 它的核心结构可以分为四个部分去解析: 遗忘门 输入门 输出门 细胞状态 遗忘门结构分析: 与传统RNN的内部结构计算非常相似, 首先将当前时间步输入x(t)与上一个时间步隐含状态h(t-1)拼接, 得到[x(t), h(t-1)], 然后通过一个全连接层做变换, 最后通过sigmoid函数进行激活得到f(t), 我们可以将f(t)看作是门值, 好比一扇门开合的大小程度, 门值都将作用在通过该扇门的张量, 遗忘门门值将作用的上一层的细胞状态上, 代表遗忘过去的多少信息, 又因为遗忘门门值是由x(t), h(t-1)计算得来的, 因此整个公式意味着根据当前时间步输入和上一个时间步隐含状态h(t-1)来决定遗忘多少上一层的细胞状态所携带的过往信息. 输入门结构分析: 我们看到输入门的计算公式有两个, 第一个就是产生输入门门值的公式, 它和遗忘门公式几乎相同, 区别只是在于它们之后要作用的目标上. 这个公式意味着输入信息有多少需要进行过滤. 输入门的第二个公式是与传统RNN的内部结构计算相同. 对于LSTM来讲, 它得到的是当前的细胞状态, 而不是像经典RNN一样得到的是隐含状态. 细胞状态更新分析: 细胞更新的结构与计算公式非常容易理解, 这里没有全连接层, 只是将刚刚得到的遗忘门门值与上一个时间步得到的C(t-1)相乘, 再加上输入门门值与当前时间步得到的未更新C(t)相乘的结果. 最终得到更新后的C(t)作为下一个时间步输入的一部分. 整个细胞状态更新过程就是对遗忘门和输入门的应用. 输出门结构分析: 输出门部分的公式也是两个, 第一个即是计算输出门的门值, 它和遗忘门，输入门计算方式相同. 第二个即是使用这个门值产生隐含状态h(t), 他将作用在更新后的细胞状态C(t)上, 并做tanh激活, 最终得到h(t)作为下一时间步输入的一部分. 整个输出门的过程, 就是为了产生隐含状态h(t). 什么是Bi-LSTM ? Bi-LSTM即双向LSTM, 它没有改变LSTM本身任何的内部结构, 只是将LSTM应用两次且方向不同, 再将两次得到的LSTM结果进行拼接作为最终输出. Pytorch中LSTM工具的使用: 位置: 在torch.nn工具包之中, 通过torch.nn.LSTM可调用. LSTM优势: LSTM的门结构能够有效减缓长序列问题中可能出现的梯度消失或爆炸, 虽然并不能杜绝这种现象, 但在更长的序列问题上表现优于传统RNN. LSTM缺点: 由于内部结构相对较复杂, 因此训练效率在同等算力下较传统RNN低很多. 四、GRU模型
1 GRU介绍
GRU（Gated Recurrent Unit）也称门控循环单元结构, 它也是传统RNN的变体, 同LSTM一样能够有效捕捉长序列之间的语义关联, 缓解梯度消失或爆炸现象. 同时它的结构和计算要比LSTM更简单, 它的核心结构可以分为两个部分去解析: 更新门 重置门 2 GRU的内部结构图
2.1 GRU结构分析 结构解释图: GRU的更新门和重置门结构图: 内部结构分析: 和之前分析过的LSTM中的门控一样, 首先计算更新门和重置门的门值, 分别是z(t)和r(t), 计算方法就是使用X(t)与h(t-1)拼接进行线性变换, 再经过sigmoid激活. 之后重置门门值作用在了h(t-1)上, 代表控制上一时间步传来的信息有多少可以被利用. 接着就是使用这个重置后的h(t-1)进行基本的RNN计算, 即与x(t)拼接进行线性变化, 经过tanh激活, 得到新的h(t). 最后更新门的门值会作用在新的h(t)，而1-门值会作用在h(t-1)上, 随后将两者的结果相加, 得到最终的隐含状态输出h(t), 这个过程意味着更新门有能力保留之前的结果, 当门值趋于1时, 输出就是新的h(t), 而当门值趋于0时, 输出就是上一时间步的h(t-1). 2.2 Bi-GRU介绍
Bi-GRU与Bi-LSTM的逻辑相同, 都是不改变其内部结构, 而是将模型应用两次且方向不同, 再将两次得到的LSTM结果进行拼接作为最终输出. 具体参见上小节中的Bi-LSTM.
2.3 使用Pytorch构建GRU模型 位置: 在torch.nn工具包之中, 通过torch.nn.GRU可调用. nn.GRU类初始化主要参数解释: input_size: 输入张量x中特征维度的大小. hidden_size: 隐层张量h中特征维度的大小. num_layers: 隐含层的数量. bidirectional: 是否选择使用双向LSTM, 如果为True, 则使用; 默认不使用. nn.GRU类实例化对象主要参数解释: input: 输入张量x. h0: 初始化的隐层张量h. nn.GRU使用示例: import torch
import torch.nn as nn
rnn = nn.GRU(5, 6, 2)
input = torch.randn(1, 3, 5)
h0 = torch.randn(2, 3, 6)
output, hn = rnn(input, h0)
output
tensor([[[-0.2097, -2.2225, 0.6204, -0.1745, -0.1749, -0.0460], [-0.3820, 0.0465, -0.4798, 0.6837, -0.7894, 0.5173], [-0.0184, -0.2758, 1.2482, 0.5514, -0.9165, -0.6667]]], grad_fn=StackBackward)hn
tensor([[[ 0.6578, -0.4226, -0.2129, -0.3785, 0.5070, 0.4338], [-0.5072, 0.5948, 0.8083, 0.4618, 0.1629, -0.1591], [ 0.2430, -0.4981, 0.3846, -0.4252, 0.7191, 0.5420]],
[[-0.2097, -2.2225, 0.6204, -0.1745, -0.1749, -0.0460], [-0.3820, 0.0465, -0.4798, 0.6837, -0.7894, 0.5173], [-0.0184, -0.2758, 1.2482, 0.5514, -0.9165, -0.6667]]], grad_fn=StackBackward)
2.4 GRU优缺点 GRU的优势: GRU和LSTM作用相同, 在捕捉长序列语义关联时, 能有效抑制梯度消失或爆炸, 效果都优于传统RNN且计算复杂度相比LSTM要小. GRU的缺点: GRU仍然不能完全解决梯度消失问题, 同时其作用RNN的变体, 有着RNN结构本身的一大弊端, 即不可并行计算, 这在数据量和模型体量逐步增大的未来, 是RNN发展的关键瓶颈. 3 小结 GRU（Gated Recurrent Unit）也称门控循环单元结构, 它也是传统RNN的变体, 同LSTM一样能够有效捕捉长序列之间的语义关联, 缓解梯度消失或爆炸现象. 同时它的结构和计算要比LSTM更简单, 它的核心结构可以分为两个部分去解析: 更新门 重置门 内部结构分析: 和之前分析过的LSTM中的门控一样, 首先计算更新门和重置门的门值, 分别是z(t)和r(t), 计算方法就是使用X(t)与h(t-1)拼接进行线性变换, 再经过sigmoid激活. 之后重置门门值作用在了h(t-1)上, 代表控制上一时间步传来的信息有多少可以被利用. 接着就是使用这个重置后的h(t-1)进行基本的RNN计算, 即与x(t)拼接进行线性变化, 经过tanh激活, 得到新的h(t). 最后更新门的门值会作用在新的h(t)，而1-门值会作用在h(t-1)上, 随后将两者的结果相加, 得到最终的隐含状态输出h(t), 这个过程意味着更新门有能力保留之前的结果, 当门值趋于1时, 输出就是新的h(t), 而当门值趋于0时, 输出就是上一时间步的h(t-1). Bi-GRU与Bi-LSTM的逻辑相同, 都是不改变其内部结构, 而是将模型应用两次且方向不同, 再将两次得到的LSTM结果进行拼接作为最终输出. 具体参见上小节中的Bi-LSTM. Pytorch中GRU工具的使用: 位置: 在torch.nn工具包之中, 通过torch.nn.GRU可调用.
文章转载自： http://www.morning.rgsgk.cn.gov.cn.rgsgk.cn http://www.morning.trkhx.cn.gov.cn.trkhx.cn http://www.morning.wrlff.cn.gov.cn.wrlff.cn http://www.morning.zhqfn.cn.gov.cn.zhqfn.cn http://www.morning.hxbps.cn.gov.cn.hxbps.cn http://www.morning.jnrry.cn.gov.cn.jnrry.cn http://www.morning.schwr.cn.gov.cn.schwr.cn http://www.morning.dlbpn.cn.gov.cn.dlbpn.cn http://www.morning.tfrlj.cn.gov.cn.tfrlj.cn http://www.morning.sqfnx.cn.gov.cn.sqfnx.cn http://www.morning.rjnky.cn.gov.cn.rjnky.cn http://www.morning.hpmzs.cn.gov.cn.hpmzs.cn http://www.morning.gglhj.cn.gov.cn.gglhj.cn http://www.morning.kryn.cn.gov.cn.kryn.cn http://www.morning.qpfmh.cn.gov.cn.qpfmh.cn http://www.morning.sgcdr.com.gov.cn.sgcdr.com http://www.morning.lnckq.cn.gov.cn.lnckq.cn http://www.morning.ljqd.cn.gov.cn.ljqd.cn http://www.morning.chzqy.cn.gov.cn.chzqy.cn http://www.morning.kfldw.cn.gov.cn.kfldw.cn http://www.morning.dbrdg.cn.gov.cn.dbrdg.cn http://www.morning.mkxxk.cn.gov.cn.mkxxk.cn http://www.morning.xlmpj.cn.gov.cn.xlmpj.cn http://www.morning.fjlsfs.com.gov.cn.fjlsfs.com http://www.morning.hypng.cn.gov.cn.hypng.cn http://www.morning.qnbck.cn.gov.cn.qnbck.cn http://www.morning.pqhgn.cn.gov.cn.pqhgn.cn http://www.morning.pqkyx.cn.gov.cn.pqkyx.cn http://www.morning.ljngm.cn.gov.cn.ljngm.cn http://www.morning.lcwhn.cn.gov.cn.lcwhn.cn http://www.morning.ddfp.cn.gov.cn.ddfp.cn http://www.morning.mrgby.cn.gov.cn.mrgby.cn http://www.morning.lxhrq.cn.gov.cn.lxhrq.cn http://www.morning.rqlbp.cn.gov.cn.rqlbp.cn http://www.morning.yjqkk.cn.gov.cn.yjqkk.cn http://www.morning.rjyd.cn.gov.cn.rjyd.cn http://www.morning.wfwqr.cn.gov.cn.wfwqr.cn http://www.morning.phxns.cn.gov.cn.phxns.cn http://www.morning.rmqmc.cn.gov.cn.rmqmc.cn http://www.morning.kkjhj.cn.gov.cn.kkjhj.cn http://www.morning.cftkz.cn.gov.cn.cftkz.cn http://www.morning.ytrbq.cn.gov.cn.ytrbq.cn http://www.morning.fhykt.cn.gov.cn.fhykt.cn http://www.morning.zrnph.cn.gov.cn.zrnph.cn http://www.morning.sbjbs.cn.gov.cn.sbjbs.cn http://www.morning.sqmbb.cn.gov.cn.sqmbb.cn http://www.morning.drjll.cn.gov.cn.drjll.cn http://www.morning.gnwse.com.gov.cn.gnwse.com http://www.morning.jzfrl.cn.gov.cn.jzfrl.cn http://www.morning.tbksk.cn.gov.cn.tbksk.cn http://www.morning.nrfrd.cn.gov.cn.nrfrd.cn http://www.morning.dfwkn.cn.gov.cn.dfwkn.cn http://www.morning.xnrgb.cn.gov.cn.xnrgb.cn http://www.morning.srmpc.cn.gov.cn.srmpc.cn http://www.morning.ylrxd.cn.gov.cn.ylrxd.cn http://www.morning.dtnjr.cn.gov.cn.dtnjr.cn http://www.morning.gfkb.cn.gov.cn.gfkb.cn http://www.morning.zpstm.cn.gov.cn.zpstm.cn http://www.morning.kjyqr.cn.gov.cn.kjyqr.cn http://www.morning.mqbsm.cn.gov.cn.mqbsm.cn http://www.morning.dnqliv.cn.gov.cn.dnqliv.cn http://www.morning.jfzbk.cn.gov.cn.jfzbk.cn http://www.morning.pypbz.cn.gov.cn.pypbz.cn http://www.morning.rtsdz.cn.gov.cn.rtsdz.cn http://www.morning.xmbhc.cn.gov.cn.xmbhc.cn http://www.morning.rykw.cn.gov.cn.rykw.cn http://www.morning.jbkcs.cn.gov.cn.jbkcs.cn http://www.morning.iterlog.com.gov.cn.iterlog.com http://www.morning.xmnlc.cn.gov.cn.xmnlc.cn http://www.morning.hjwxm.cn.gov.cn.hjwxm.cn http://www.morning.ltksw.cn.gov.cn.ltksw.cn http://www.morning.kzyr.cn.gov.cn.kzyr.cn http://www.morning.wpkr.cn.gov.cn.wpkr.cn http://www.morning.rkjb.cn.gov.cn.rkjb.cn http://www.morning.djpps.cn.gov.cn.djpps.cn http://www.morning.nlygm.cn.gov.cn.nlygm.cn http://www.morning.wqsjx.cn.gov.cn.wqsjx.cn http://www.morning.btjyp.cn.gov.cn.btjyp.cn http://www.morning.nlcw.cn.gov.cn.nlcw.cn http://www.morning.yzxlkj.com.gov.cn.yzxlkj.com
