深度学习--RNN基础

深度学习--RNN基础

​ RNN（Recurrent Neutral Network，循环神经网络），主要应用于自然语言处理NLP。

RNN表示方法

1.编码

因为Pytorch中没有String类型数据，需要引入序列表示法(sequence representation)对文本进行表示。

​ 表示方法：[seq_len:一句话的单词数,feature_len：每个单词的表示方法]

文本信息的表达方式：

1. one-hot：多少个单词就有多少位编码。缺点：非常稀疏（sparse），维度太高，缺乏语意相关性（semantic similarity）
2. word2vec

import torch
import torch.nn as nn
 
word_to_ix = {"hello":0,"world":1}
 
embeds = nn.Embedding(2,5)  #2行5列  一共有2个单词，用5位的feature来表示
lookup_tensor = torch.tensor([word_to_ix["hello"]],dtype=torch.long)
hello_embed = embeds(lookup_tensor)
print(hello_embed)
#tensor([[-0.2169,  0.3653,  0.7812, -0.8420, -0.2815]],
#       grad_fn=)
 
 
word_to_ix = {"hello":0,"world":1}
 
embeds = nn.Embedding(2,5)  #2行5列  一共有2个单词，用5位的feature来表示
lookup_tensor = torch.tensor([word_to_ix["hello"]],dtype=torch.long)
hello_embed = embeds(lookup_tensor)
print(hello_embed)
#tensor([[-0.2169,  0.3653,  0.7812, -0.8420, -0.2815]],
#       grad_fn=)

3. glove

from torchnlp.word_to_vector import GloVe
vectors = GloVe()
vector["hello"]

2. batch

两种引入方式：[word num, b, word vec] 或者 [b, word num, word vec ] 第一种常用

RNN原理

naive version

对每一个单词进行 x@w1+b1 操作，每个单词都有不同的参数

Weight sharing

共享参数，用同一个w和b

Consistent memory 持续记忆

每一个单词运算表示：x @ wxh +h @ whh

增加了一个h单元，相当于一个memory单元。

总结：

RNN的网络为yt = why*ht

ht=激活函数(Whh* ht-1+Wxh *xt) 常用的为tanh

模型的反向传播：BPTT（back propagation through time）

RNN层的使用方法

run = nn.RNN(100,10)  #word vec 单词的表示位数, memory 记忆节点
 
run._parameters.keys()
#odict_keys(['weight_ih_l0', 'weight_hh_l0', 'bias_ih_l0', 'bias_hh_l0'])
 
run.weight_hh_l0.shape, run.weight_ih_l0.shape
#(torch.Size([10, 10]), torch.Size([10, 100]))
 
run.bias_hh_l0.shape, run.bias_ih_l0.shape
#(torch.Size([10]), torch.Size([10]))

1.nn.RNN

nn.RNN(input_size:单词的表示方法维度,hidden_size:记忆的维度:,num_layers：默认是1)

前向传播，一步到位 out, ht = forward(x, h0)

​ x:[一句话单词数，batch几句话，表示的维度]

​ h0/ht:[层数，batch，记忆(参数)的维度]

​ out:[一句话单词数，batch，参数的维度]

import torch
import torch.nn as nn
 
run = nn.RNN(input_size=100, hidden_size=20, num_layers=1)
print(run)
#RNN(100, 20)
 
x = torch.randn(10,3,100)
h = torch.zeros(1,3,20)
out,h1 = run(x,h)
print(out.shape,h1.shape)
#torch.Size([10, 3, 20]) torch.Size([1, 3, 20])

2. nn.RNNCell:只完成一个计算

nn.RNNCell(input_size:单词的表示方法维度,hidden_size:记忆的维度:,num_layers：默认是1)

前向传播：ht=rnncell(xt,ht_1)

​ xt:[batch,word维度]

​ ht_1/ht:[层数，batch，参数的维度]

#RNNCell
x = torch.randn(10,3,100)
cell = nn.RNNCell(100,20)
h1 = torch.zeros(3,20)
#人为控制一句话的单词数
for xt in x:
    print(xt)
    h1 = cell(xt,h1)
print(h1.shape)
#torch.Size([3, 20])