欧美bbbwbbbw肥妇,免费乱码人妻系列日韩,一级黄片

python人工智能tensorflow構(gòu)建循環(huán)神經(jīng)網(wǎng)絡(luò)RNN

 更新時(shí)間：2022年05月05日 09:51:56   作者：Bubbliiiing  
這篇文章主要為大家介紹了python人工智能tensorflow構(gòu)建循環(huán)神經(jīng)網(wǎng)絡(luò)RNN，有需要的朋友可以借鑒參考下，希望能夠有所幫助，祝大家多多進(jìn)步，早日升職加薪

學(xué)習(xí)前言

在前一段時(shí)間已經(jīng)完成了卷積神經(jīng)網(wǎng)絡(luò)的復(fù)習(xí)，現(xiàn)在要對(duì)循環(huán)神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)進(jìn)行更深層次的明確。

RNN簡(jiǎn)介

RNN 是當(dāng)前發(fā)展非?；馃岬纳窠?jīng)網(wǎng)絡(luò)中的一種，它擅長(zhǎng)對(duì)序列數(shù)據(jù)進(jìn)行處理。

什么是序列數(shù)據(jù)呢？舉個(gè)例子。

現(xiàn)在假設(shè)有四個(gè)字，“我” “去” “吃” “飯”。我們可以對(duì)它們進(jìn)行任意的排列組合。

“我去吃飯”，表示的就是我要去吃飯了。

“飯去吃我”，表示的就是飯成精了。

“我吃去飯”，表示的我要去吃‘去飯’了。

不同的排列順序會(huì)導(dǎo)致不同的語(yǔ)意，序列數(shù)據(jù)表示的就是按照一定順序排列的序列，這種排列一般存在一定的意義。。

所以我們知道了RNN有順序存儲(chǔ)的這個(gè)抽象概念，但是RNN如何學(xué)習(xí)這個(gè)概念呢？

那么，讓我們來(lái)看一個(gè)傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)，也稱為前饋神經(jīng)網(wǎng)絡(luò)。它有輸入層，隱藏層和輸出層。就像這樣

對(duì)于RNN來(lái)講，其結(jié)構(gòu)示意圖是這樣的：

一句話可以分為N個(gè)part，比如“我去吃飯”可以分為四個(gè)字，“我” “去” “吃” “飯”，分別可以傳入四個(gè)隱含層，前一個(gè)隱含層會(huì)有一個(gè)輸出按照一定的比率傳給后一個(gè)隱含層，比如第一個(gè)“我”輸入隱含層后，有一個(gè)輸出按照w1的比率輸入給下一個(gè)隱含層，當(dāng)?shù)诙€(gè)“去”進(jìn)入隱含層時(shí)，隱含層同樣要接收“我”傳過(guò)來(lái)的信息。

以此類推，在到達(dá)最后一個(gè)“飯”時(shí)，最后的輸出便得到了前面全部的信息。

其偽代碼形式為：

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的相關(guān)函數(shù)

tf.nn.rnn_cell.BasicLSTMCell

tf.nn.rnn_cell.BasicRNNCell(
	num_units, 
	activation=None, 
	reuse=None, 
	name=None, 
	dtype=None, 
	**kwargs)
  • num_units：RNN單元中的神經(jīng)元數(shù)量，即輸出神經(jīng)元數(shù)量。
  • activation：激活函數(shù)。
  • reuse：描述是否在現(xiàn)有范圍中重用變量。如果不為T(mén)rue，并且現(xiàn)有范圍已經(jīng)具有給定變量，則會(huì)引發(fā)錯(cuò)誤。
  • name：層的名稱。
  • dtype：該層的數(shù)據(jù)類型。
  • kwargs：常見(jiàn)層屬性的關(guān)鍵字命名屬性，如trainable，當(dāng)從get_config()創(chuàng)建cell 。

在使用時(shí)，可以定義為：

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

在定義完成后，可以進(jìn)行狀態(tài)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
)
  • cell：上文所定義的lstm_cell。
  • inputs：RNN輸入。如果time_major==false（默認(rèn)），則必須是如下shape的tensor：[batch_size，max_time，…]或此類元素的嵌套元組。如果time_major==true，則必須是如下形狀的tensor：[max_time，batch_size，…]或此類元素的嵌套元組。
  • sequence_length：Int32/Int64矢量大小。用于在超過(guò)批處理元素的序列長(zhǎng)度時(shí)復(fù)制通過(guò)狀態(tài)和零輸出。因此，它更多的是為了性能而不是正確性。
  • initial_state：上文所定義的_init_state。
  • dtype：數(shù)據(jù)類型。
  • parallel_iterations：并行運(yùn)行的迭代次數(shù)。那些不具有任何時(shí)間依賴性并且可以并行運(yùn)行的操作將是。這個(gè)參數(shù)用時(shí)間來(lái)交換空間。值>>1使用更多的內(nèi)存，但花費(fèi)的時(shí)間更少，而較小的值使用更少的內(nèi)存，但計(jì)算需要更長(zhǎng)的時(shí)間。
  • time_major：輸入和輸出tensor的形狀格式。如果為真，這些張量的形狀必須是[max_time，batch_size，depth]。如果為假，這些張量的形狀必須是[batch_size，max_time，depth]。使用time_major=true會(huì)更有效率，因?yàn)樗梢员苊庠赗NN計(jì)算的開(kāi)始和結(jié)束時(shí)進(jìn)行換位。但是，大多數(shù)TensorFlow數(shù)據(jù)都是批處理主數(shù)據(jù)，因此默認(rèn)情況下，此函數(shù)為False。
  • scope：創(chuàng)建的子圖的可變作用域；默認(rèn)為“RNN”。

在RNN的最后，需要用該函數(shù)得出結(jié)果。

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

返回的是一個(gè)元組 (outputs, state)：

outputs：RNN的最后一層的輸出，是一個(gè)tensor。如果為time_major== False，則它的shape為[batch_size,max_time,cell.output_size]。如果為time_major== True，則它的shape為[max_time,batch_size,cell.output_size]。

states：states是一個(gè)tensor。state是最終的狀態(tài)，也就是序列中最后一個(gè)cell輸出的狀態(tài)。一般情況下states的形狀為 [batch_size, cell.output_size]，但當(dāng)輸入的cell為BasicLSTMCell時(shí)，states的形狀為[2，batch_size, cell.output_size ]，其中2也對(duì)應(yīng)著LSTM中的cell state和hidden state。

整個(gè)RNN的定義過(guò)程為：

def RNN(X,weights,biases):
    #X最開(kāi)始的形狀為(128 batch,28 steps,28 inputs)
    #轉(zhuǎn)化為(128 batch*28 steps,128 hidden)
    X = tf.reshape(X,[-1,n_inputs])
    #經(jīng)過(guò)乘法后結(jié)果為(128 batch*28 steps,256 hidden)
    X_in = tf.matmul(X,weights['in'])+biases['in']
    #再次轉(zhuǎn)化為(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

全部代碼

該例子為手寫(xiě)體識(shí)別例子，將手寫(xiě)體的28行分別作為每一個(gè)step的輸入，輸入維度均為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          #學(xué)習(xí)率
training_iters = 1000000        #學(xué)習(xí)世代數(shù)
batch_size = 128                #每一輪進(jìn)入訓(xùn)練的訓(xùn)練量
n_inputs = 28                   #輸入每一個(gè)隱含層的inputs維度
n_steps = 28                    #一共分為28次輸入
n_hidden_units = 128           #每一個(gè)隱含層的神經(jīng)元個(gè)數(shù)
n_classes = 10                  #輸出共有10個(gè)
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最開(kāi)始的形狀為(128 batch,28 steps,28 inputs)
    #轉(zhuǎn)化為(128 batch*28 steps,128 hidden)
    X = tf.reshape(X,[-1,n_inputs])
    #經(jīng)過(guò)乘法后結(jié)果為(128 batch*28 steps,256 hidden)
    X_in = tf.matmul(X,weights['in'])+biases['in']
    #再次轉(zhuǎn)化為(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構(gòu)建循環(huán)神經(jīng)網(wǎng)絡(luò)RNN的詳細(xì)內(nèi)容，更多關(guān)于tensorflow構(gòu)建循環(huán)神經(jīng)網(wǎng)絡(luò)RNN的資料請(qǐng)關(guān)注腳本之家其它相關(guān)文章！

相關(guān)文章

最新評(píng)論