欢迎大家关注我们的网站和系列教程:IT虾米网 ,学习更多的机器学习、深度学习的知识!

【前言】:在前面的内容里,我们已经学习了循环神经网络的基本结构和运算过程,这一小节里,我们将用TensorFlow实现简单的RNN,并且用来解决时序数据的预测问题,看一看RNN究竟能达到什么样的效果,具体又是如何实现的。

在这个演示项目里,我们使用随机生成的方式生成一个数据集(由0和1组成的二进制序列),然后人为的增加一些数据间的关系。最后我们把这个数据集放进RNN里,让RNN去学习其中的关系,实现二进制序列的预测1。数据生成的方式如下:

循环生成规模为五十万的数据集,每次产生的数据为0或1的概率均为0.5。如果连续生成了两个1(或两个0)的话,则下一个数据强制为0(或1)。

1.我们首先导入需要的Python模块:

1	#!/usr/bin/python 
2	# -*- coding: UTF-8 -*- 
3	import numpy as np 
4	import tensorflow as tf 
5	import matplotlib.pyplot as plt 
6	from tensorflow.contrib import rnn 
  1. 定义一个Data类,用来产生数据:
1	class Data: 
2	    def __init__(self, data_size, num_batch, batch_size, time_step): 
3	        self.data_size = data_size      # 数据集的大小 
4	        self.batch_size = batch_size    # 一个batch的大小 
5	        self.num_batch = num_batch   # batch的数目(num_batch=data_size//batch_size) 
6	        self.time_step = time_step     # RNN的时间步 
7	        self.data_without_rel = []      # 保存随机生成的数据,数据间没有联系 
8	        self.data_with_rel = []         # 保存有时序关系的数据 
  1. 在构造方法“init”中,我们初始化了数据集的大小“data_size”、一个batch的大小“batch_size”、一个epoch中的batch数目“num_batch”以及RNN的时间步“time_step”。接下来我们定义一个“generate_data”方法:
9	def generate_data(self): 
10	    # 随机生成数据 
11	    self.data_without_rel = np.array(np.random.choice(2, size=(self.data_size,))) 
12 
13	    for i in range(self.data_size): 
14	        if self.data_without_rel[i-1] == 1 and self.data_without_rel[i-2] == 1: 
15	            # 之前连续出现两个1,当前数据设为0 
16	            self.data_with_rel.append(0) 
17	            continue 
18	        elif self.data_without_rel[i-1] == 0 and self.data_without_rel[i-2] == 0: 
19	            # 之前连续出现两个0,当前数据设为1 
20	            self.data_with_rel.append(1) 
21	            continue 
22	        # np.random.rand()产生的随机数范围:[0,1] 
23	        else: 
24	            if np.random.rand() >= 0.5: 
25	                self.data_with_rel.append(1) 
26	            else: 
27	                self.data_with_rel.append(0) 
28	    return self.data_without_rel, self.data_with_rel 
 

在第11行代码中,我们用了 “np.random.choice”函数生成的由0和1组成的长串数据。接下来我们用了一个for循环,在“data_without_rel”保存的数据的基础上重新生成了一组数据,并保存在“data_with_rel”数组中。为了使生成的数据间具有一定的序列关系,我们使用了前面介绍的很简单的数据生成方式:以“data_without_rel”中的数据为参照,如果出现了连续两个1(或0)则生成一个0(或1),其它情况则以相等概率随机生成0或1。

有了数据我们接下来要用RNN去学习这些数据,看看它能不能学习到我们产生这些数据时使用的策略,即数据间的联系。评判RNN是否学习到规律以及学习的效果如何的依据,是我们在第三章里介绍过的交叉熵损失函数。根据我们生成数据的规则,如果RNN没有学习到规则,那么它预测正确的概率就是0.5,否则它预测正确的概率为:(在“data_without_rel”中,连续出现的两个数字的组合为:00、01、10和11。00和11出现的总概率占0.5,在这种情况下,如果RNN学习到了规律,那么一定能预测出下一个数字,00对应1,11对应0。而如果出现的是01或10的话,RNN预测正确的概率就只有0.5,所以综合起来就是0.75)。

根据交叉熵损失函数,在没有学习到规律的时候,其交叉熵损失为:

loss = - (0.5 * np.log(0.5) + 0.5 * np.log(0.5)) = 0.6931471805599453

在学习到规律的时候,其交叉熵损失为:

Loss = -0.5*(0.5 * np.log(0.5) + np.log(0.5))=-0.25 * (1 * np.log(1) ) - 0.25 * (1 * np.log(1))=0.34657359027997264

4.我们定义“generate_epochs”方法处理生成的数据:

29	def generate_epochs(self): 
30	    # 生成数据 
31	    self.generate_data() 
32 
33	    data_x = np.zeros([self.num_batch, self.batch_size], dtype=np.int32) 
34	    data_y = np.zeros([self.num_batch, self.batch_size], dtype=np.int32) 
35 
36	    # 将数据划分成num_batch组 
37	    for i in range(self.num_batch): 
38	        data_x[i] = self.data_without_rel[self.batch_size * i:self.batch_size * (i + 1)] 
39	        data_y[i] = self.data_with_rel[self.batch_size * i:self.batch_size * (i + 1)] 
40	    # 将每个batch的数据按time_step进行切分 
41	    epoch_size = self.batch_size // self.time_step 
42 
43	    # 返回最终的数据 
44	    for i in range(epoch_size): 
45	        x = data_x[:, self.time_step * i:self.time_step * (i + 1)] 
46	        y = data_y[:, self.time_step * i:self.time_step * (i + 1)] 
47	        yield (x, y) 

5.接下来实现RNN部分:

48	class Model: 
49	    def __init__(self, data_size, batch_size, time_step, state_size): 
50	        self.data_size = data_size 
51	        self.batch_size = batch_size 
52	        self.num_batch = self.data_size // self.batch_size 
53	        self.time_step = time_step 
54	        self.state_size = state_size 
55 
56	    # 输入数据的占位符 
57	    self.x = tf.placeholder(tf.int32, [self.num_batch, self.time_step], name='input_placeholder') 
58	    self.y = tf.placeholder(tf.int32, [self.num_batch, self.time_step], name='labels_placeholder') 
59 
60	    # 记忆单元的占位符 
61	    self.init_state = tf.zeros([self.num_batch, self.state_size]) 
62	    # 将输入数据进行one-hot编码 
63	    self.rnn_inputs = tf.one_hot(self.x, 2) 
64 
65	    # 隐藏层的权重矩阵和偏置项 
66	    self.W = tf.get_variable('W', [self.state_size, 2]) 
67	    self.b = tf.get_variable('b', [2], initializer=tf.constant_initializer(0.0)) 
68 
69	    # RNN隐藏层的输出 
70	    self.rnn_outputs, self.final_state = self.model() 
71 
72	    # 计算输出层的输出 
73	    logits = tf.reshape( tf.matmul(tf.reshape(self.rnn_outputs, [-1, self.state_size]), self.W) + self.b, [self.num_batch, self.time_step, 2]) 
74 
75	    self.losses = tf.nn.sparse_softmax_cross_entropy_with_logits(labels=self.y, logits=logits) 
76	    self.total_loss = tf.reduce_mean(self.losses) 
77	    self.train_step = tf.train.AdagradOptimizer(0.1).minimize(self.total_loss) 

6.定义RNN模型:

78	    def model(self): 
79	        cell = rnn.BasicRNNCell(self.state_size) 
80	        rnn_outputs, final_state = tf.nn.dynamic_rnn(cell, self.rnn_inputs, 
initial_state=self.init_state) 
81	        return rnn_outputs, final_state 

这里我们使用了“dynamic_rnn”,因此每次会同时处理所有batch的第一组数据,总共处理的次数为:batch_size / time_step。

82	    def train(self): 
83	        with tf.Session() as sess: 
84	            sess.run(tf.global_variables_initializer()) 
85	            training_losses = [] 
86	            d = Data(self.data_size, self.num_batch, self.batch_size, self.time_step) 
87	            training_loss = 0 
88	            training_state = np.zeros((self.num_batch, self.state_size)) 
89	            for step, (X, Y) in enumerate(d.generate_epoch()): 
90	                tr_losses, training_loss_, training_state, _ = \ 
sess.run([self.losses, self.total_loss, self.final_state, self.train_step], 
feed_dict={self.x: X, self.y: Y, self.init_state: training_state}) 
91	                training_loss += training_loss_ 
92	                if step % 20 == 0 and step > 0: 
93	                    training_losses.append(training_loss/20) 
94	                    training_loss = 0 
95	        return training_losses 

7.到这里,我们已经实现了整个RNN模型,接下来初始化相关数据,看看RNN的学习效果如何:

96	if __name__ == '__main__': 
97	    data_size = 500000 
98	    batch_size = 2000 
99	    time_step = 5 
100	    state_size = 6 
101 
102	    m = Model(data_size, batch_size, time_step, state_size) 
103	    training_losses = m.train() 
104	    plt.plot(training_losses) 
105	    plt.show() 
 

定义数据集的大小为500000,每个batch的大小为2000,RNN的“时间步”设为5,隐藏层的神经元数目为6。将训练过程中的loss可视化,结果如下图中的左侧图像所示:

图1 二进制序列数据训练的loss曲线

从左侧loss曲线可以看到,loss最终稳定在了0.35左右,这与我们之前的计算结果一致,说明RNN学习到了序列数据中的规则。右侧的loss曲线是在调整了序列关系的时间间隔后(此时的time_step过小,导致RNN无法学习到序列数据的规则)的结果,此时loss稳定在0.69左右,与之前的计算也吻合。

下一篇,我们将介绍几种常见的RNN循环神经网络结构以及部分代码示例。

欢迎大家关注我们的网站和系列教程:IT虾米网 ,学习更多的机器学习、深度学习的知识!


评论关闭
IT干货网

微信公众号号:IT虾米 (左侧二维码扫一扫)欢迎添加!