一导包

python 复制代码

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

1.1 导入训练数据

python 复制代码

batch_size, num_steps = 32, 35
# 更改了默认的文件下载方式，需要将 article 文件放入该文件夹
train_iter, vocab = dltools.load_data_time_machine(batch_size, num_steps)

1.2 构造神经网络

python 复制代码

num_hiddens = 256
# 构造了一个具有256个隐藏神经单元的单隐藏层的循环神经网络
rnn_layer = nn.RNN(len(vocab), num_hiddens)

构造了一个循环神经网络 (RNN) 层，该 RNN 层具有以下特性：

num_hiddens = 256: 这行代码定义了 RNN 层中的隐藏单元数量，即 RNN 层内部神经元的数量。在这个例子中，设置为 256，意味着 RNN 层将有 256 个隐藏神经单元。
nn.RNN(len(vocab), num_hiddens): 这行代码创建了一个 RNN 层的实例。它的参数如下：
- len(vocab): 这是输入数据的特征维度。在循环神经网络中，输入数据通常是一个序列，每个时间步的输入是一个向量。len(vocab) 表示词汇表的大小，它代表了序列中的每个时间步可能的输入的数量。在自然语言处理任务中，词汇表的大小通常对应于词汇表中不同词汇的数量。
- num_hiddens: 这是 RNN 层内部的隐藏单元数量，根据之前定义的值为 256。

综上所述，这段代码创建了一个具有 256 个隐藏神经单元的单隐藏层的循环神经网络层。这个 RNN 层可以用来处理序列数据，例如文本数据，在文本数据中，每个时间步可以对应一个词汇表中的一个词或一个词的嵌入表示。

1.3 初始化隐藏状态

python 复制代码

# 初始化隐藏状态
state = torch.zeros((1, batch_size, num_hiddens))

创建了一个全零的张量作为隐藏状态。张量的形状是 (1, batch_size, num_hiddens)，其中：

1 表示时间步的数量，这里初始化的是一个初始时间步的隐藏状态。
batch_size 表示批量大小，即一次处理的样本数量。
num_hiddens 表示每个时间步的隐藏单元数量，即隐藏状态的维度。

二构建一个完整的循环神经网络

python 复制代码

# 构建一个完整的循环神经网络
class RNNModel(nn.Module):
    def __init__(self, rnn_layer, vocab_size, **kwargs):
        super().__init__(**kwargs)
        self.rnn = rnn_layer
        self.vocab_size = vocab_size
        self.num_hiddens = self.rnn.hidden_size
        
        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)
            
    # 前向传播
    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)
        
        output = self.linear(Y.reshape(-1, Y.shape[-1]))
        return output, state
    
    # 初始化隐藏状态
    def begin_state(self, device, batch_size=1):
        return torch.zeros((self.num_directions * self.rnn.num_layers, batch_size, self.num_hiddens), device=device)

该部分定义了一个名为 RNNModel 的 PyTorch 模型类，该模型是一个循环神经网络 (RNN) 模型，用于处理序列数据。

__init__ 方法：这是类的构造函数，用于初始化模型的各个组件。在这里，做了以下工作：
- super().__init__(**kwargs) 调用了父类的构造函数，确保正确初始化模型。
- self.rnn = rnn_layer 存储了传入的 RNN 层。
- self.vocab_size = vocab_size 存储了词汇表的大小。
- self.num_hiddens = self.rnn.hidden_size 获取了 RNN 层的隐藏状态大小。
- 根据 RNN 是否是双向的，选择性地创建一个线性层，用于将 RNN 输出映射到词汇表大小的空间。如果是双向 RNN，则输入的维度是隐藏状态大小的两倍。
forward 方法：这个方法定义了前向传播过程。它接受输入 inputs 和当前的隐藏状态 state。在前向传播中，它执行以下操作：
- 使用 F.one_hot 将输入 inputs 转化为独热编码，以便与词汇表大小匹配。然后将其转换为浮点数张量。
- 将输入数据和隐藏状态传递给 RNN 层，以获得输出 Y 和新的隐藏状态 state。
- 将 RNN 输出 Y 重塑成二维张量，然后通过线性层 self.linear 将其映射到词汇表大小的空间，并返回输出结果。
begin_state 方法：这个方法用于初始化隐藏状态，返回一个全零的张量，其形状取决于 RNN 的层数、方向数、隐藏单元数以及批量大小。

2.1 实例化模型

python 复制代码

# 在训练前，跑下模型
device = dltools.try_gpu()
net = RNNModel(rnn_layer, vocab_size=len(vocab))
net = net.to(device)

创建了一个 RNNModel对象，该对象接受一个rnn_layer和一个词汇表大小作为参数。最后，它将模型移动到之前确定的设备上

三执行训练

python 复制代码

# 训练
num_epochs, lr = 200, 0.1
dltools.train_ch8(net, train_iter, vocab, lr, num_epochs, device)

3.1 执行预测

python 复制代码

dltools.predict_ch8('time traveller', 10, net, vocab, device)

02- pytorch 实现 RNN

一 导包

1.1 导入训练数据

1.2 构造神经网络

1.3 初始化隐藏状态

二 构建一个完整的循环神经网络

2.1 实例化模型

三 执行训练

3.1 执行预测

一导包

二构建一个完整的循环神经网络

三执行训练