python

关注公众号 jb51net

关闭
首页 > 脚本专栏 > python > tensorflow构建循环神经网络RNN

python人工智能tensorflow构建循环神经网络RNN

作者：Bubbliiiing

这篇文章主要为大家介绍了python人工智能tensorflow构建循环神经网络RNN，有需要的朋友可以借鉴参考下，希望能够有所帮助，祝大家多多进步，早日升职加薪

学习前言

在前一段时间已经完成了卷积神经网络的复习，现在要对循环神经网络的结构进行更深层次的明确。

RNN简介

RNN 是当前发展非常火热的神经网络中的一种，它擅长对序列数据进行处理。

什么是序列数据呢？举个例子。

现在假设有四个字，“我” “去” “吃” “饭”。我们可以对它们进行任意的排列组合。

“我去吃饭”，表示的就是我要去吃饭了。

“饭去吃我”，表示的就是饭成精了。

“我吃去饭”，表示的我要去吃‘去饭’了。

不同的排列顺序会导致不同的语意，序列数据表示的就是按照一定顺序排列的序列，这种排列一般存在一定的意义。。

所以我们知道了RNN有顺序存储的这个抽象概念，但是RNN如何学习这个概念呢？

那么，让我们来看一个传统的神经网络，也称为前馈神经网络。它有输入层，隐藏层和输出层。就像这样

对于RNN来讲，其结构示意图是这样的：

一句话可以分为N个part，比如“我去吃饭”可以分为四个字，“我” “去” “吃” “饭”，分别可以传入四个隐含层，前一个隐含层会有一个输出按照一定的比率传给后一个隐含层，比如第一个“我”输入隐含层后，有一个输出按照w1的比率输入给下一个隐含层，当第二个“去”进入隐含层时，隐含层同样要接收“我”传过来的信息。

以此类推，在到达最后一个“饭”时，最后的输出便得到了前面全部的信息。

其伪代码形式为：

rnn = RNN()
ff = FeedForwardNN()
hidden_state = [0,0,0]
for word in input:
	output,hidden_state = rnn(word,hidden_state)
prediction = ff(output)

tensorflow中RNN的相关函数

tf.nn.rnn_cell.BasicLSTMCell

tf.nn.rnn_cell.BasicRNNCell(
	num_units, 
	activation=None, 
	reuse=None, 
	name=None, 
	dtype=None, 
	**kwargs)

在使用时，可以定义为：

RNN_cell = tf.nn.rnn_cell.BasicRNNCell(n_hidden_units,activation=tf.nn.tanh)

在定义完成后，可以进行状态初始化：

_init_state =  RNN_cell.zero_state(batch_size,tf.float32)

tf.nn.dynamic_rnn

tf.nn.dynamic_rnn(
    cell,
    inputs,
    sequence_length=None,
    initial_state=None,
    dtype=None,
    parallel_iterations=None,
    swap_memory=False,
    time_major=False,
    scope=None
)

在RNN的最后，需要用该函数得出结果。

outputs,states = tf.nn.dynamic_rnn(RNN_cell,X_in,initial_state = _init_state,time_major = False)

返回的是一个元组 (outputs, state)：

outputs：RNN的最后一层的输出，是一个tensor。如果为time_major== False，则它的shape为[batch_size,max_time,cell.output_size]。如果为time_major== True，则它的shape为[max_time,batch_size,cell.output_size]。

states：states是一个tensor。state是最终的状态，也就是序列中最后一个cell输出的状态。一般情况下states的形状为 [batch_size, cell.output_size]，但当输入的cell为BasicLSTMCell时，states的形状为[2，batch_size, cell.output_size ]，其中2也对应着LSTM中的cell state和hidden state。

整个RNN的定义过程为：

def RNN(X,weights,biases):
    #X最开始的形状为(128 batch,28 steps,28 inputs)
    #转化为(128 batch*28 steps,128 hidden)
    X = tf.reshape(X,[-1,n_inputs])
    #经过乘法后结果为(128 batch*28 steps,256 hidden)
    X_in = tf.matmul(X,weights['in'])+biases['in']
    #再次转化为(128 batch,28 steps,256 hidden) 
    X_in = tf.reshape(X_in,[-1,n_steps,n_hidden_units])
    RNN_cell = tf.nn.rnn_cell.BasicRNNCell(n_hidden_units,activation=tf.nn.tanh)
    _init_state =  RNN_cell.zero_state(batch_size,tf.float32)
    outputs,states = tf.nn.dynamic_rnn(RNN_cell,X_in,initial_state = _init_state,time_major = False)
    results = tf.matmul(states,weights['out'])+biases['out']
    return results

全部代码

该例子为手写体识别例子，将手写体的28行分别作为每一个step的输入，输入维度均为28列。

import tensorflow as tf 
from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets("MNIST_data",one_hot = "true")
lr = 0.001          #学习率
training_iters = 1000000        #学习世代数
batch_size = 128                #每一轮进入训练的训练量
n_inputs = 28                   #输入每一个隐含层的inputs维度
n_steps = 28                    #一共分为28次输入
n_hidden_units = 128           #每一个隐含层的神经元个数
n_classes = 10                  #输出共有10个
x = tf.placeholder(tf.float32,[None,n_steps,n_inputs])
y = tf.placeholder(tf.float32,[None,n_classes])
weights = {
    'in':tf.Variable(tf.random_normal([n_inputs,n_hidden_units])),
    'out':tf.Variable(tf.random_normal([n_hidden_units,n_classes]))
}
biases = {
    'in':tf.Variable(tf.constant(0.1,shape=[n_hidden_units])),
    'out':tf.Variable(tf.constant(0.1,shape=[n_classes]))
}
def RNN(X,weights,biases):
    #X最开始的形状为(128 batch,28 steps,28 inputs)
    #转化为(128 batch*28 steps,128 hidden)
    X = tf.reshape(X,[-1,n_inputs])
    #经过乘法后结果为(128 batch*28 steps,256 hidden)
    X_in = tf.matmul(X,weights['in'])+biases['in']
    #再次转化为(128 batch,28 steps,256 hidden) 
    X_in = tf.reshape(X_in,[-1,n_steps,n_hidden_units])
    RNN_cell = tf.nn.rnn_cell.BasicRNNCell(n_hidden_units,activation=tf.nn.tanh)
    _init_state =  RNN_cell.zero_state(batch_size,tf.float32)
    outputs,states = tf.nn.dynamic_rnn(RNN_cell,X_in,initial_state = _init_state,time_major = False)
    results = tf.matmul(states,weights['out'])+biases['out']
    return results
pre = RNN(x,weights,biases)
cost = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(logits = pre,labels = y))
train_op = tf.train.AdamOptimizer(lr).minimize(cost)
correct_pre = tf.equal(tf.argmax(y,1),tf.argmax(pre,1))
accuracy = tf.reduce_mean(tf.cast(correct_pre,tf.float32))
init = tf.initialize_all_variables()
with tf.Session() as sess:
    sess.run(init)
    step = 0
    while step*batch_size <training_iters:
        batch_xs,batch_ys = mnist.train.next_batch(batch_size)
        batch_xs = batch_xs.reshape([batch_size,n_steps,n_inputs])
        sess.run(train_op,feed_dict = {
            x:batch_xs,
            y:batch_ys
        })
        if step%20 == 0:
            print(sess.run(accuracy,feed_dict = {
                x:batch_xs,
                y:batch_ys
            }))
        step += 1

以上就是python人工智能tensorflow构建循环神经网络RNN的详细内容，更多关于tensorflow构建循环神经网络RNN的资料请关注脚本之家其它相关文章！

您可能感兴趣的文章:
阅读全文