
继续玩我们的计算图框架。这一次我们运用计算图搭建递归神经网络(RNN,Recursive Neural Network)。RNN 处理前后有承接关系的序列状数据,例如时序数据。当然,前后的承接也不一定是时间上的,但总之是有前后关系的序列。
RNN
RNN 的思想是:网络也分步,每步以输入序列的该步数据(向量)和上一步数据(第一步没有)为输入,进行变换,得到这一步的输出(向量)。这样的话,序列的每一步就会对下一步产生影响。RNN 用变换的参数把握序列每一步之间的关系。最后一步的输出可以送给全连接层,最终用于分类或回归。RNN 有很多种,有一些复杂的变体,本文搭建一种最简单的 RNN ,它的结构是这样的:

蓝色长条表示 m 维输入向量,一共 n 个。这表示数据是长度为 n 的序列,每一步是一个 m 维向量。绿色的矩形就是每一步的变换。yi 是每一步的 k 维输出向量。每一步用 k x k 的权值矩阵 Y 去乘前一步的输出向量(第一步没有),用 k x m 的权值矩阵 W 去乘这一步的输入向量,加和后再加上 k 维偏置向量 b ,施加激活函数 ϕ (我们取 ReLU),就得到这一步的输出。
最后一步的输出也是 k 维向量,把它送给全连接层,最后施加 SoftMax 后得到各个类别的概率,再接上一个交叉熵损失就可以用来训练分类问题了。用我们的计算图框架可以这样搭建这个简单的 RNN(代码):
seq_len = 96 # 序列长度
dimension = 16 # 序列每一步的向量维度
hidden_dim = 12 # RNN 时间单元的输出维度
# 时间序列变量,每一步一个 dimension 维向量(Variable 节点),保存在数组 input 中
input_vectors = []
for i in range(seq_len):
input_vectors.append(Variable(dim=(dimension, 1), init=False, trainable=False))
# 对于本步输入的权值矩阵
W = Variable(dim=(hidden_dim, dimension), init=True, trainable=True)
# 对于上步输入的权值矩阵
Y = Variable(dim=(hidden_dim, hidden_dim), init=True, trainable=True)
# 偏置向量
b = Variable(dim=(hidden_dim, 1), init=True, trainable=True)
# 构造 RNN
last_step = None # 上一步的输出,第一步没有上一步,先将其置为 None
for iv in input_vectors:
y = Add(MatMul(W, iv), b)
if last_step is not None:
y = Add(MatMul(Y, last_step), y)
y = ReLU(y)
last_step = y
fc1 = fc(y, hidden_dim, 6, "ReLU") # 第一全连接层
fc2 = fc(fc1, 6, 2, "None") # 第二全连接层
# 分类概率
prob = SoftMax(fc2)
# 训练标签
label = Variable((2, 1), trainable=False)
# 交叉熵损失
loss = CrossEntropyWithSoftMax(fc2, label)
这就是构造 RNN 以及交叉熵损失的计算图的代码,很简单,right ?有了计算图以及自动求导,我们只管搭建网络即可,网络的训练就交给计算图去做了。否则你可以想象,按照示意图表示的计算,推导交叉熵损失对 RNN 的各个权值矩阵和偏置的梯度是多么困难。
时间序列问题
我们构造一份数据,它包含两类时间序列,一类是方波,一类是正弦波,代码如下:
def get_sequence_data(number_of_classes=2, dimension=10, length=10, number_of_examples=1000, train_set_ratio=0.7, seed=42):
"""
生成两类序列数据。
"""
xx = []
xx.append(np.sin(np.arange(0, 10, 10 / length))) # 正弦波
xx.append(np.array(signal.square(np.arange(0, 10, 10 / length)))) # 方波
data = []
for i in range(number_of_classes):
x = xx[i]
for j in range(number_of_examples):
sequence = x + np.random.normal(0, 1.0, (dimension, len(x))) # 加入高斯噪声
label = np.array([int(i == j) for j in range(number_of_classes)])
data.append(np.c_[sequence.reshape(1, -1), label.reshape(1, -1)])
# 把各个类别的样本合在一起
data = np.concatenate(data, axis=0)
# 随机打乱样本顺序
np.random.shuffle(data)
# 计算训练样本数量
train_set_size = int(number_of_examples * train_set_ratio) # 训练集样本数量
# 将训练集和测试集、特征和标签分开
return (data[:train_set_size, :-number_of_classes],
data[:train_set_size, -number_of_classes:],
data[train_set_size:, :-number_of_classes],
data[train_set_size:, -number_of_classes:])
我们用这一行代码获取长度为 96 ,维度为 16 的两类(各 1000 个)序列:
# 获取两类时间序列:正弦波和方波
train_x, train_y, test_x, test_y = get_sequence_data(length=seq_len, dimension=dimension)
看一看时间序列样本,先看正弦波:

正弦波序列
这是一个正弦波时间序列样本,它包含 16 条曲线,每一条都是 sin 曲线加噪声。之所以包含 16 条曲线,因为我们的时间序列的每一步是一个 16 维向量,按时间列起来就有了 16 条正弦曲线。正弦波时间序列是我们的正样本。方波时间序列是负样本:

方波序列
一个方波时间序列先维持 +1 一段时间,变为 -1 维持一段时间,再回到 +1 ,循环往复。由于我们的高斯噪声加得较大,可以看到正弦波和方波还是有可能混淆的,但也能看出它们之间的差异。
训练
现在就用我们构造的 RNN 训练一个分类模型,分类正弦波和方波,代码如下:
from sklearn.metrics import accuracy_score
from layer import *
from node import *
from optimizer import *
seq_len = 96 # 序列长度
dimension = 16 # 序列每一步的向量维度
hidden_dim = 12 # RNN 时间单元的输出维度
# 获取两类时间序列:正弦波和方波
train_x, train_y, test_x, test_y = get_sequence_data(length=seq_len, dimension=dimension)
# 时间序列变量,每一步一个 dimension 维向量(Variable 节点),保存在数组 input 中
input_vectors = []
for i in range(seq_len):
input_vectors.append(Variable(dim=(dimension, 1), init=False, trainable=False))
# 对于本步输入的权值矩阵
W = Variable(dim=(hidden_dim, dimension), init=True, trainable=True)
# 对于上步输入的权值矩阵
Y = Variable(dim=(hidden_dim, hidden_dim), init=True, trainable=True)
# 偏置向量
b = Variable(dim=(hidden_dim, 1), init=True, trainable=True)
# 构造 RNN
last_step = None # 上一步的输出,第一步没有上一步,先将其置为 None
for iv in input_vectors:
y = Add(MatMul(W, iv), b)
if last_step is not None:
y = Add(MatMul(Y, last_step), y)
y = ReLU(y)
last_step = y
fc1 = fc(y, hidden_dim, 6, "ReLU") # 第一全连接层
fc2 = fc(fc1, 6, 2, "None") # 第二全连接层
# 分类概率
prob = SoftMax(fc2)
# 训练标签
label = Variable((2, 1), trainable=False)
# 交叉熵损失
loss = CrossEntropyWithSoftMax(fc2, label)
# Adam 优化器
optimizer = Adam(default_graph, loss, 0.005, batch_size=16)
# 训练
print("start training", flush=True)
for e in range(10):
for i in range(len(train_x)):
x = np.mat(train_x[i, :]).reshape(dimension, seq_len)
for j in range(seq_len):
input_vectors[j].set_value(x[:, j])
label.set_value(np.mat(train_y[i, :]).T)
# 执行一步优化
optimizer.one_step()
if i > 1 and (i + 1) % 100 == 0:
# 在测试集上评估模型正确率
probs = []
losses = []
for j in range(len(test_x)):
# x = test_x[j, :].reshape(dimension, seq_len)
x = np.mat(test_x[j, :]).reshape(dimension, seq_len)
for k in range(seq_len):
input_vectors[k].set_value(x[:, k])
label.set_value(np.mat(test_y[j, :]).T)
# 前向传播计算概率
prob.forward()
probs.append(prob.value.A1)
# 计算损失值
loss.forward()
losses.append(loss.value[0, 0])
# print("test instance: {:d}".format(j))
# 取概率最大的类别为预测类别
pred = np.argmax(np.array(probs), axis=1)
truth = np.argmax(test_y, axis=1)
accuracy = accuracy_score(truth, pred)
default_graph.draw()
print("epoch: {:d}, iter: {:d}, loss: {:.3f}, accuracy: {:.2f}%".format(e + 1, i + 1, np.mean(losses),
accuracy * 100), flush=True)
训练 10 个 epoch 后,测试集上的正确率达到了 99% :
epoch: 1, iter: 100, loss: 0.693, accuracy: 51.08%
epoch: 1, iter: 200, loss: 0.692, accuracy: 51.08%
epoch: 1, iter: 300, loss: 0.677, accuracy: 78.31%
epoch: 1, iter: 400, loss: 0.573, accuracy: 49.31%
epoch: 1, iter: 500, loss: 0.520, accuracy: 53.92%
epoch: 1, iter: 600, loss: 0.599, accuracy: 97.08%
epoch: 1, iter: 700, loss: 0.617, accuracy: 99.00%
epoch: 2, iter: 100, loss: 0.601, accuracy: 94.46%
epoch: 2, iter: 200, loss: 0.579, accuracy: 82.08%
epoch: 2, iter: 300, loss: 0.558, accuracy: 76.15%
epoch: 2, iter: 400, loss: 0.531, accuracy: 67.85%
epoch: 2, iter: 500, loss: 0.507, accuracy: 63.77%
epoch: 2, iter: 600, loss: 0.493, accuracy: 61.15%
epoch: 2, iter: 700, loss: 0.479, accuracy: 62.23%
epoch: 3, iter: 100, loss: 0.443, accuracy: 69.92%
epoch: 3, iter: 200, loss: 0.393, accuracy: 85.85%
epoch: 3, iter: 300, loss: 0.365, accuracy: 97.69%
epoch: 3, iter: 400, loss: 0.284, accuracy: 95.08%
epoch: 3, iter: 500, loss: 0.199, accuracy: 95.69%
epoch: 3, iter: 600, loss: 0.490, accuracy: 80.62%
epoch: 3, iter: 700, loss: 0.264, accuracy: 94.31%
epoch: 4, iter: 100, loss: 0.320, accuracy: 83.46%
epoch: 4, iter: 200, loss: 0.333, accuracy: 80.92%
epoch: 4, iter: 300, loss: 0.276, accuracy: 90.15%
epoch: 4, iter: 400, loss: 0.242, accuracy: 95.00%
epoch: 4, iter: 500, loss: 0.217, accuracy: 96.38%
epoch: 4, iter: 600, loss: 0.191, accuracy: 95.31%
epoch: 4, iter: 700, loss: 0.167, accuracy: 94.00%
epoch: 5, iter: 100, loss: 0.142, accuracy: 94.62%
epoch: 5, iter: 200, loss: 0.111, accuracy: 96.85%
epoch: 5, iter: 300, loss: 0.116, accuracy: 96.85%
epoch: 5, iter: 400, loss: 0.080, accuracy: 96.77%
epoch: 5, iter: 500, loss: 0.059, accuracy: 98.54%
epoch: 5, iter: 600, loss: 0.054, accuracy: 98.54%
epoch: 5, iter: 700, loss: 0.042, accuracy: 99.00%
epoch: 6, iter: 100, loss: 0.047, accuracy: 98.46%
epoch: 6, iter: 200, loss: 0.049, accuracy: 98.08%
epoch: 6, iter: 300, loss: 0.030, accuracy: 99.15%
epoch: 6, iter: 400, loss: 0.029, accuracy: 99.23%
epoch: 6, iter: 500, loss: 0.028, accuracy: 99.08%
epoch: 6, iter: 600, loss: 0.029, accuracy: 99.08%
epoch: 6, iter: 700, loss: 0.024, accuracy: 99.15%
epoch: 7, iter: 100, loss: 0.023, accuracy: 99.15%
epoch: 7, iter: 200, loss: 0.031, accuracy: 98.85%
epoch: 7, iter: 300, loss: 0.023, accuracy: 99.46%
epoch: 7, iter: 400, loss: 0.022, accuracy: 99.54%
epoch: 7, iter: 500, loss: 0.022, accuracy: 99.38%
epoch: 7, iter: 600, loss: 0.027, accuracy: 98.77%
epoch: 7, iter: 700, loss: 0.019, accuracy: 99.46%
epoch: 8, iter: 100, loss: 0.018, accuracy: 99.54%
epoch: 8, iter: 200, loss: 0.018, accuracy: 99.46%
epoch: 8, iter: 300, loss: 0.018, accuracy: 99.54%
epoch: 8, iter: 400, loss: 0.018, accuracy: 99.62%
epoch: 8, iter: 500, loss: 0.017, accuracy: 99.54%
epoch: 8, iter: 600, loss: 0.026, accuracy: 99.00%
epoch: 8, iter: 700, loss: 0.021, accuracy: 99.23%
epoch: 9, iter: 100, loss: 0.017, accuracy: 99.62%
epoch: 9, iter: 200, loss: 0.016, accuracy: 99.54%
epoch: 9, iter: 300, loss: 0.015, accuracy: 99.54%
epoch: 9, iter: 400, loss: 0.014, accuracy: 99.69%
epoch: 9, iter: 500, loss: 0.014, accuracy: 99.62%
epoch: 9, iter: 600, loss: 0.014, accuracy: 99.69%
epoch: 9, iter: 700, loss: 0.014, accuracy: 99.62%
epoch: 10, iter: 100, loss: 0.014, accuracy: 99.54%
epoch: 10, iter: 200, loss: 0.014, accuracy: 99.54%
epoch: 10, iter: 300, loss: 0.015, accuracy: 99.69%
epoch: 10, iter: 400, loss: 0.014, accuracy: 99.69%
epoch: 10, iter: 500, loss: 0.013, accuracy: 99.62%
epoch: 10, iter: 600, loss: 0.016, accuracy: 99.38%
epoch: 10, iter: 700, loss: 0.017, accuracy: 99.38%
这就是我们的简单 RNN ,以后有机会我们再尝试搭建类似 LSTM 这种更复杂的 RNN 。
作者介绍:
张觉非,本科毕业于复旦大学,硕士毕业于中国科学院大学,先后任职于新浪微博、阿里,目前就职于奇虎 360,任机器学习技术专家。
本文来自 DataFun 社区
原文链接:
更多内容推荐
跟着卷卷龙一起学 Camera-- 噪声与去噪 02
而 FPN noise 是相关噪声, σfpn =σfpn1 + σfpn2 ; S = S1 + S2; S/σfpn=( S1 + S2)/(σfpn1 + σfpn2); 当 S1=S2,σfpn1 = σfpn2; S/σfpn=S1/σfpn1 ; 多帧平均不会降低 FPN。 通过上图可以看出,经过多帧平均后,噪声的 floor 变成了 FPN。通过多
2022-11-16
光神经网络 ONN:直接对光信号进行神经网络处理
ONN 在神经网络中引入光学技术
2023-01-18
29 深度学习框架下的神经网络 | 见微知著:卷积神经网络
今天我们来讲人脸识别乃至图像识别中的一项关键技术,卷积神经网络。
2018-02-13
计算机视觉领域的深度学习模型(三):ResNet
今天要跟你分享的这篇论文,获得了CVPR 2016的最佳论文,提出了“残差网络”这个概念。
2018-09-12
神经网络的构建:Gating Mechanism 和 Attention
2020-04-09
深度学习在推荐系统中的应用有哪些?
经过这些年学界和业界的不断尝试,深度学习在推荐系统中已经有了很多成功的应用。那么,到底深度学习在推荐系统中有哪些应用?
2018-04-16
深度学习入门(二):激活函数
本文节选自图灵程序设计丛书 《深度学习入门》一书中的部分章节。
23 深度学习 | 前方有路,未来可期:深度前馈网络
深度前馈网络是具有深度结构的前馈神经网络,可以看成是进化版的多层感知器。
2018-01-30
19|NeuralCF:如何用深度学习改造协同过滤?
协同过滤的泛化能力非常弱,即使我们可以通过矩阵分解算法增强它,但这还远远不够。你知道怎么提高协同过滤的泛化能力吗?
2020-11-23
推荐阅读
深入浅出 Tensorflow(五):循环神经网络简介
特征工程(下):有哪些常用的特征处理函数?
2021-11-08
一文看懂:近期不断 “狂飙” 的 ChatGPT | 社区征文
2023-02-28
深度学习基础:你打牢深度学习知识的地基了吗?
2020-09-28
MNIST Softmax 网络介绍(下)
2019-02-12
结合 scipy.linalg 在 Python 中使用线性系统
2021-08-20
【蓝桥杯 c++(Python)每日练习】每日刷题 day6: 拯救甘雨
2022-09-30
电子书

大厂实战PPT下载
换一换 
刘光月 | 京东 产品总监
张尤 | 阿里云 弹性计算高级技术专家
朱荣松 | 信也科技 基础组件负责人
评论