循环神经网络是一种面向深度学习的算法,它遵循顺序方法。在神经网络中,我们总是假设每个输入和输出都是独立于所有其他层的。这些类型的神经网络被称为循环的,因为他们执行数学计算的顺序方式完成一个又一个任务。本文主要介绍PyTorch 循环神经网络(Recurrent Neural Networks)。

下面的图表指定了循环神经网络的完整方法和工作:

httpswwwcjavapycom

在上图中,c1、c2、c3、x1被认为是输入,其中包含了一些隐藏的输入值,即h1、h2、h3分别交付o1的输出。现在我们将重点实现PyTorch,在循环神经网络的帮助下创建正弦波。

在训练期间,我们将采用每次只使用一个数据点的模型培训方法。输入序列x由20个数据点组成,目标序列被认为与输入序列相同。

1、导入PyTorch相关包

导入使用以下代码实现经常性神经网络的必要软件包:

import torch
from torch.autograd import Variable
import numpy as np
import pylab as pl
import torch.nn.init as init

2、设置模型的超参数

我们将设置模型的超参数,输入层的大小设置为7。将有6个上下文神经元和1个输入神经元用于创建目标序列。

dtype = torch.FloatTensor
input_size, hidden_size, output_size = 7, 6, 1
epochs = 300
seq_length = 20
lr = 0.1
data_time_steps = np.linspace(2, 10, seq_length + 1)
data = np.sin(data_time_steps)
data.resize((seq_length + 1, 1))
x = Variable(torch.Tensor(data[:-1]).type(dtype), requires_grad=False)
y = Variable(torch.Tensor(data[1:]).type(dtype), requires_grad=False)

我们将生成培训数据,其中x是输入数据序列,y是必需的目标序列。

3、权值的初始化

在递归神经网络中,权值的初始化采用均值为零的正态分布。W1表示接受输入变量,w2表示生成如下所示的输出:

w1 = torch.FloatTensor(input_size, 
hidden_size).type(dtype)
init.normal(w1, 0.0, 0.4)
w1 = Variable(w1, requires_grad = True)
w2 = torch.FloatTensor(hidden_size, output_size).type(dtype)
init.normal(w2, 0.0, 0.3)
w2 = Variable(w2, requires_grad = True)

4、定义神经网络的forward函数

现在,创建一个唯一定义神经网络的forward函数是很重要的:

def forward(input, context_state, w1, w2):
   xh = torch.cat((input, context_state), 1)
   context_state = torch.tanh(xh.mm(w1))
   out = context_state.mm(w2)
   return (out, context_state)

5、计算均方误差(MSE)

下一步是开始循环神经网络正弦波实现的训练程序。外部循环遍历每个循环,内部循环遍历序列元素。在这里,我们也将计算均方误差(MSE),这有助于预测连续变量。

for i in range(epochs):
   total_loss = 0
   context_state = Variable(torch.zeros((1, hidden_size)).type(dtype), requires_grad = True)
   for j in range(x.size(0)):
      input = x[j:(j+1)]
      target = y[j:(j+1)]
      (pred, context_state) = forward(input, context_state, w1, w2)
      loss = (pred - target).pow(2).sum()/2
      total_loss += loss
      loss.backward()
      w1.data -= lr * w1.grad.data
      w2.data -= lr * w2.grad.data
      w1.grad.data.zero_()
      w2.grad.data.zero_()
      context_state = Variable(context_state.data)
   if i % 10 == 0:
      print("Epoch: {} loss {}".format(i, total_loss.data[0]))
context_state = Variable(torch.zeros((1, hidden_size)).type(dtype), requires_grad = False)
predictions = []
for i in range(x.size(0)):
   input = x[i:i+1]
   (pred, context_state) = forward(input, context_state, w1, w2)
   context_state = context_state
   predictions.append(pred.data.numpy().ravel()[0])

6、Step 6

绘制正弦波作为所需的方式。

pl.scatter(data_time_steps[:-1], x.data.numpy(), s = 90, label = "Actual")
pl.scatter(data_time_steps[1:], predictions, label = "Predicted")
pl.legend()
pl.show()

输出

上述过程的输出如下:

httpswwwcjavapycom


推荐文档