首页 ai pytorch深度学习 chapter_recurrent-neural-networks

# 循环神经网络的简洁实现

🏷 sec_rnn-concise

虽然 :numref: sec_rnn_scratch
对了解循环神经网络的实现方式具有指导意义，但并不方便。
本节将展示如何使用深度学习框架的高级 API 提供的函数更有效地实现相同的语言模型。
我们仍然从读取时光机器数据集开始。

import torch
from torch import nn
from torch.nn import functional as F
from d2l import torch as d2l
batch_size, num_steps = 32, 35
train_iter, vocab = d2l.load_data_time_machine(batch_size, num_steps)
# [定义模型]
高级 API 提供了循环神经网络的实现。
我们构造一个具有 256 个隐藏单元的单隐藏层的循环神经网络层 rnn_layer 。
事实上，我们还没有讨论多层循环神经网络的意义（这将在 :numref: sec_deep_rnn 中介绍）。
现在仅需要将多层理解为一层循环神经网络的输出被用作下一层循环神经网络的输入就足够了。
num_hiddens = 256
rnn_layer = nn.RNN(len(vocab), num_hiddens)
我们 (使用张量来初始化隐状态)，它的形状是（隐藏层数，批量大小，隐藏单元数）。
state = torch.zeros((1, batch_size, num_hiddens))
state.shape
torch.Size([1, 32, 256])

[通过一个隐状态和一个输入，我们就可以用更新后的隐状态计算输出。]
需要强调的是， rnn_layer 的 “输出”（ Y ）不涉及输出层的计算：
它是指每个时间步的隐状态，这些隐状态可以用作后续输出层的输入。
X = torch.rand(size=(num_steps, batch_size, len(vocab)))
Y, state_new = rnn_layer(X, state)
Y.shape, state_new.shape
(torch.Size([35, 32, 256]), torch.Size([1, 32, 256]))

与 :numref: sec_rnn_scratch 类似，
[我们为一个完整的循环神经网络模型定义了一个 RNNModel 类]。
注意， rnn_layer 只包含隐藏的循环层，我们还需要创建一个单独的输出层。
#@save
class RNNModel(nn.Module):
    """循环神经网络模型"""
    def __init__(self, rnn_layer, vocab_size, **kwargs):
        super(RNNModel, self).__init__(**kwargs)
        self.rnn = rnn_layer
        self.vocab_size = vocab_size
        self.num_hiddens = self.rnn.hidden_size
        # 如果 RNN 是双向的（之后将介绍），num_directions 应该是 2，否则应该是 1
        if not self.rnn.bidirectional:
            self.num_directions = 1
            self.linear = nn.Linear(self.num_hiddens, self.vocab_size)
        else:
            self.num_directions = 2
            self.linear = nn.Linear(self.num_hiddens * 2, self.vocab_size)
    def forward(self, inputs, state):
        X = F.one_hot(inputs.T.long(), self.vocab_size)
        X = X.to(torch.float32)
        Y, state = self.rnn(X, state)
        # 全连接层首先将 Y 的形状改为 (时间步数 * 批量大小，隐藏单元数)
        # 它的输出形状是 (时间步数 * 批量大小，词表大小)。
        output = self.linear(Y.reshape((-1, Y.shape[-1])))
        return output, state
    def begin_state(self, device, batch_size=1):
        if not isinstance(self.rnn, nn.LSTM):
            # nn.GRU 以张量作为隐状态
            return  torch.zeros((self.num_directions * self.rnn.num_layers,
                                 batch_size, self.num_hiddens),
                                device=device)
        else:
            # nn.LSTM 以元组作为隐状态
            return (torch.zeros((
                self.num_directions * self.rnn.num_layers,
                batch_size, self.num_hiddens), device=device),
                    torch.zeros((
                        self.num_directions * self.rnn.num_layers,
                        batch_size, self.num_hiddens), device=device))
# 训练与预测
在训练模型之前，让我们 [基于一个具有随机权重的模型进行预测]。
device = d2l.try_gpu()
net = RNNModel(rnn_layer, vocab_size=len(vocab))
net = net.to(device)
d2l.predict_ch8('time traveller', 10, net, vocab, device)
'time traveller          '

很明显，这种模型根本不能输出好的结果。
接下来，我们使用 :numref: sec_rnn_scratch 中
定义的超参数调用 train_ch8 ，并且 [使用高级 API 训练模型]。
num_epochs, lr = 500, 1
d2l.train_ch8(net, train_iter, vocab, lr, num_epochs, device)
perplexity 1.3, 286908.2 tokens/sec on cuda:0
time traveller came the time traveller but now you begin to spen
traveller pork acong wa canome precable thig thit lepanchat

svg
与上一节相比，由于深度学习框架的高级 API 对代码进行了更多的优化，
该模型在较短的时间内达到了较低的困惑度。
# 小结
  • 深度学习框架的高级 API 提供了循环神经网络层的实现。
  • 高级 API 的循环神经网络层返回一个输出和一个更新后的隐状态，我们还需要计算整个模型的输出层。
  • 相比从零开始实现的循环神经网络，使用高级 API 实现可以加速训练。
# 练习
  1. 尝试使用高级 API，能使循环神经网络模型过拟合吗？
  2. 如果在循环神经网络模型中增加隐藏层的数量会发生什么？能使模型正常工作吗？
  3. 尝试使用循环神经网络实现 :numref: sec_sequence 的自回归模型。
Discussions