一. 使用Pytorch实现RNN循环神经网络

1. 读取数据集

上篇博文记录了RNN从零实现过程，现在使用Pytorch的高级API提供的函数实现RNN，首先读取时光机器数据集：

import torch
import d2l.torch
from torch import nn
from torch.nn import functional as F
batch_size,num_steps = 32,35
train_iter,vocab = d2l.torch.load_data_time_machine(batch_size,num_steps)
1
2
3
4
5
6

2. 模型定义

Pytorch高级API提供了循环神经网络的实现，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。

num_hiddens = 256
rnn_layer = nn.RNN(len(vocab),num_hiddens)
1
2

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(size=(1,batch_size,num_hiddens))
state.shape
1
2

通过一个隐状态和一个输入，就可以用更新后的隐状态计算输出。注意：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,new_state = rnn_layer(X,state)
Y.shape,new_state.shape
'''
输出结果如下：
(torch.Size([35, 32, 256]), torch.Size([1, 32, 256]))
'''
1
2
3
4
5
6
7

为一个完整的循环神经网络模型定义一个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。

"""循环神经网络模型"""
class RNNModel(nn.Module):
    def __init__(self,rnn_layer,vocab_size):
        super(RNNModel, self).__init__()
        self.rnn = rnn_layer
        self.vocab_size = vocab_size
        self.num_hiddens = rnn_layer.hidden_size
         # 如果RNN是双向的，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)
        # 全连接层输出层首先将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)。
        outputs = self.linear(Y.reshape((-1,Y.shape[-1])))
        return outputs,state
    def begin_state(self,device,batch_size=1):
        if not isinstance(self.rnn,nn.LSTM):
            # nn.GRU,nn.RNN以张量作为隐状态
            return torch.zeros(
                size=(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，LSTM有两个隐状态
            return(torch.zeros(
                size=(self.num_directions*self.rnn.num_layers,batch_size,self.num_hiddens),device=device),
                   torch.zeros(
                       size=(self.num_directions*self.rnn.num_layers,batch_size,self.num_hiddens),device=device))
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33

3. 训练与预测

在训练模型之前，让我们先基于一个具有随机权重的模型进行预测。

device = d2l.torch.try_gpu()
net = RNNModel(rnn_layer,vocab_size=len(vocab))
net = net.to(device)
d2l.torch.predict_ch8('time traveller',10,net,vocab,device)
1
2
3
4

下面进行模型训练，训练结果如下图所示，与RNN循环神经网络从零实现相比，由于pytorch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，同时训练速度也很快：

num_epochs,lr = 500,1
d2l.torch.train_ch8(net,train_iter,vocab,lr,num_epochs,device,use_random_iter=False)
1
2

4. 小结

• pytorch框架的高级API提供了循环神经网络层的实现。
• pytorch框架的高级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pytorch框架的高级API实现可以加速训练。

5. 全部代码

import torch
import d2l.torch
from torch import nn
from torch.nn import functional as F

batch_size, num_steps = 32, 35
train_iter, vocab = d2l.torch.load_data_time_machine(batch_size, num_steps)
num_hiddens = 256
rnn_layer = nn.RNN(len(vocab), num_hiddens)
state = torch.zeros(size=(1, batch_size, num_hiddens))
state.shape
X = torch.rand(size=(num_steps, batch_size, len(vocab)))
Y, new_state = rnn_layer(X, state)
Y.shape, new_state.shape
"""循环神经网络模型"""


class RNNModel(nn.Module):
    def __init__(self, rnn_layer, vocab_size):
        super(RNNModel, self).__init__()
        self.rnn = rnn_layer
        self.vocab_size = vocab_size
        self.num_hiddens = rnn_layer.hidden_size
        # 如果RNN是双向的，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)
        # 全连接层输出层首先将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)。
        outputs = self.linear(Y.reshape((-1, Y.shape[-1])))
        return outputs, state

    def begin_state(self, device, batch_size=1):
        if not isinstance(self.rnn, nn.LSTM):
            # nn.GRU,nn.RNN以张量作为隐状态
            return torch.zeros(
                size=(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，LSTM有两个隐状态
            return (torch.zeros(
                size=(self.num_directions * self.rnn.num_layers, batch_size, self.num_hiddens), device=device),
                    torch.zeros(
                        size=(self.num_directions * self.rnn.num_layers, batch_size, self.num_hiddens), device=device))


device = d2l.torch.try_gpu()
net = RNNModel(rnn_layer, vocab_size=len(vocab))
net = net.to(device)
d2l.torch.predict_ch8('time traveller', 10, net, vocab, device)
num_epochs, lr = 500, 1
d2l.torch.train_ch8(net, train_iter, vocab, lr, num_epochs, device, use_random_iter=False)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59

6. 链接

循环神经网络RNN第一篇：李沐动手学深度学习V2-NLP序列模型和代码实现
循环神经网络RNN第二篇：李沐动手学深度学习V2-NLP文本预处理和代码实现
循环神经网络RNN第三篇：李沐动手学深度学习V2-NLP语言模型、数据集加载和数据迭代器实现以及代码实现
循环神经网络RNN第四篇：李沐动手学深度学习V2-RNN原理
循环神经网络RNN第五篇：李沐动手学深度学习V2-RNN循环神经网络从零实现
循环神经网络RNN第六篇：李沐动手学深度学习V2-使用Pytorch框架实现RNN循环神经网络