神经网络学习小记录3——利用tensorflow构建长短时记忆网络（LSTM）

╰半夏微凉° 2021-11-02 08:50 443阅读 0赞

### 神经网络学习小记录3——利用tensorflow构建长短时记忆网络（LSTM） ###

*  学习前言
 *   *  LSTM简介
     *   *  1、RNN的梯度消失问题
         *  2、LSTM的结构
         *  3、LSTM独特的门结构
     *  tensorflow中LSTM的相关函数
     *   *  tf.contrib.rnn.BasicLSTMCell
         *  tf.nn.dynamic\_rnn
     *  全部代码

# 学习前言 #

又出去和女朋友快乐的玩耍了，但是不要忘了学习噢。  
![在这里插入图片描述][20190723165901974.jpg_pic_center]

## LSTM简介 ##

### 1、RNN的梯度消失问题 ###

在过去的时间里我们学习了RNN循环神经网络，其结构示意图是这样的：  
![在这里插入图片描述][20190805003426386.png_pic_center]  
其存在的最大问题是，当w1、w2、w3这些值小于0时，如果一句话够长，那么其在神经网络进行反向传播与前向传播时，存在梯度消失的问题。  
0.925=0.07，如果一句话有20到30个字，那么第一个字的隐含层输出传递到最后，将会变为原来的0.07倍，相比于最后一个字的影响，大大降低。  
其具体情况是这样的：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDc5MTk2NA_size_16_color_FFFFFF_t_70_pic_center]  
长短时记忆网络就是为了解决梯度消失的问题出现的。

### 2、LSTM的结构 ###

原始RNN的隐藏层只有一个状态h，从头传递到尾，它对于短期的输入非常敏感。  
如果我们再增加一个状态c，让它来保存长期的状态，问题就可以解决了。  
对于RNN和LSTM而言，其两个step单元的对比如下。  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDc5MTk2NA_size_16_color_FFFFFF_t_70_pic_center 1]  
我们把LSTM的结构按照时间维度展开：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDc5MTk2NA_size_16_color_FFFFFF_t_70_pic_center 2]  
我们可以看出，在n时刻，LSTM的输入有三个：  
**1、当前时刻网络的输入值；  
2、上一时刻LSTM的输出值；  
3、上一时刻的单元状态。**  
LSTM的输出有两个：  
**1、当前时刻LSTM输出值；  
2、当前时刻的单元状态。**

### 3、LSTM独特的门结构 ###

LSTM用两个门来控制单元状态cn的内容：  
**1、遗忘门（forget gate），它决定了上一时刻的单元状态cn-1有多少保留到当前时刻；  
2、输入门（input gate），它决定了当前时刻网络的输入c’n有多少保存到单元状态。**  
LSTM用一个门来控制当前输出值hn的内容：  
**输出门（output gate），它决定了当前时刻单元状态cn有多少输出。**  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDc5MTk2NA_size_16_color_FFFFFF_t_70_pic_center 3]

## tensorflow中LSTM的相关函数 ##

### tf.contrib.rnn.BasicLSTMCell ###

tf.contrib.rnn.BasicLSTMCell(
        num_units,
        forget_bias=1.0,
        state_is_tuple=True,
        activation=None,
        reuse=None,
        name=None,
        dtype=None
    )

*  num\_units：RNN单元中的神经元数量，即输出神经元数量。
 *  forget\_bias：偏置增加了忘记门。从CudnnLSTM训练的检查点(checkpoin)恢复时，必须手动设置为0.0。
 *  state\_is\_tuple：如果为True，则接受和返回的状态是c\_state和m\_state的2-tuple；如果为False，则他们沿着列轴连接。False即将弃用。
 *  activation：激活函数。
 *  reuse：描述是否在现有范围中重用变量。如果不为True，并且现有范围已经具有给定变量，则会引发错误。
 *  name：层的名称。
 *  dtype：该层的数据类型。

在使用时，可以定义为：

lstm_cell = tf.contrib.rnn.BasicLSTMCell(self.cell_size, forget_bias=1.0, state_is_tuple=True)

在定义完成后，可以进行状态初始化：

self.cell_init_state = lstm_cell.zero_state(self.batch_size, dtype=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：上文所定义的lstm\_cell。
 *  inputs：RNN输入。如果time\_major==false（默认），则必须是如下shape的tensor：\[batch\_size，max\_time，…\]或此类元素的嵌套元组。如果time\_major==true，则必须是如下形状的tensor：\[max\_time，batch\_size，…\]或此类元素的嵌套元组。
 *  sequence\_length：Int32/Int64矢量大小。用于在超过批处理元素的序列长度时复制通过状态和零输出。因此，它更多的是为了性能而不是正确性。
 *  initial\_state：上文所定义的\_init\_state。
 *  dtype：数据类型。
 *  parallel\_iterations：并行运行的迭代次数。那些不具有任何时间依赖性并且可以并行运行的操作将是。这个参数用时间来交换空间。值>>1使用更多的内存，但花费的时间更少，而较小的值使用更少的内存，但计算需要更长的时间。
 *  time\_major：输入和输出tensor的形状格式。如果为真，这些张量的形状必须是\[max\_time，batch\_size，depth\]。如果为假，这些张量的形状必须是\[batch\_size，max\_time，depth\]。使用time\_major=true会更有效率，因为它可以避免在RNN计算的开始和结束时进行换位。但是，大多数TensorFlow数据都是批处理主数据，因此默认情况下，此函数为False。
 *  scope：创建的子图的可变作用域；默认为“RNN”。

在LSTM的最后，需要用该函数得出结果。

self.cell_outputs, self.cell_final_state = tf.nn.dynamic_rnn(
    	lstm_cell, self.l_in_y, initial_state=self.cell_init_state, time_major=False)

返回的是一个元组 (outputs, state)：

outputs：LSTM的最后一层的输出，是一个tensor。**如果为time\_major== False，则它的shape为\[batch\_size,max\_time,cell.output\_size\]。如果为time\_major== True，则它的shape为\[max\_time,batch\_size,cell.output\_size\]。**

states：states是一个tensor。state是最终的状态，也就是序列中最后一个cell输出的状态。**一般情况下states的形状为 \[batch\_size, cell.output\_size\]，但当输入的cell为BasicLSTMCell时，states的形状为\[2，batch\_size, cell.output\_size \]，其中2也对应着LSTM中的cell state和hidden state。**

整个LSTM的定义过程为：

def add_input_layer(self,):
            #X最开始的形状为(256 batch,28 steps,28 inputs)
            #转化为(256 batch*28 steps,128 hidden)
            l_in_x = tf.reshape(self.xs, [-1, self.input_size], name='to_2D') 
    
            #获取Ws和Bs
            Ws_in = self._weight_variable([self.input_size, self.cell_size])
            bs_in = self._bias_variable([self.cell_size])
    
            #转化为(256 batch*28 steps,256 hidden) 
            with tf.name_scope('Wx_plus_b'):
                l_in_y = tf.matmul(l_in_x, Ws_in) + bs_in
            
            # (batch * n_steps, cell_size) ==> (batch, n_steps, cell_size)
            # (256*28,256)->(256,28,256)
            self.l_in_y = tf.reshape(l_in_y, [-1, self.n_steps, self.cell_size], name='to_3D')
    
        def add_cell(self):
            #神经元个数
            lstm_cell = tf.contrib.rnn.BasicLSTMCell(self.cell_size, forget_bias=1.0, state_is_tuple=True)
    
            #每一次传入的batch的大小
            with tf.name_scope('initial_state'):
                self.cell_init_state = lstm_cell.zero_state(self.batch_size, dtype=tf.float32)
    
            #不是主列
            self.cell_outputs, self.cell_final_state = tf.nn.dynamic_rnn(
                lstm_cell, self.l_in_y, initial_state=self.cell_init_state, time_major=False)
        
        def add_output_layer(self):
            #设置Ws,Bs
            Ws_out = self._weight_variable([self.cell_size, self.output_size])
            bs_out = self._bias_variable([self.output_size])
            # shape = (batch,output_size)
            # (256,10)
            with tf.name_scope('Wx_plus_b'):
                self.pred = tf.matmul(self.cell_final_state[-1], Ws_out) + bs_out

## 全部代码 ##

该例子为手写体识别例子，将手写体的28行分别作为每一个step的输入，输入维度均为28列。

import tensorflow as tf 
    from tensorflow.examples.tutorials.mnist import input_data
    import numpy as np
    
    mnist = input_data.read_data_sets("MNIST_data",one_hot = "true")
    
    BATCH_SIZE = 256     # 每一个batch的数据数量
    TIME_STEPS = 28      # 图像共28行，分为28个step进行传输
    INPUT_SIZE = 28      # 图像共28列
    OUTPUT_SIZE = 10     # 共10个输出
    CELL_SIZE = 256      # RNN 的 hidden unit size，隐含层神经元的个数
    LR = 1e-3            # learning rate，学习率
    
    def get_batch():    #获取训练的batch
        batch_xs,batch_ys = mnist.train.next_batch(BATCH_SIZE)      
        batch_xs = batch_xs.reshape([BATCH_SIZE,TIME_STEPS,INPUT_SIZE])
        return [batch_xs,batch_ys]
    
    class LSTMRNN(object):  #构建LSTM的类
        def __init__(self, n_steps, input_size, output_size, cell_size, batch_size):
            self.n_steps = n_steps 
            self.input_size = input_size
            self.output_size = output_size
            self.cell_size = cell_size
            self.batch_size = batch_size
    
            #输入输出
            with tf.name_scope('inputs'):
                self.xs = tf.placeholder(tf.float32, [None, n_steps, input_size], name='xs')
                self.ys = tf.placeholder(tf.float32, [None, output_size], name='ys')
            #直接加层
            with tf.variable_scope('in_hidden'):
                self.add_input_layer()
            #增加LSTM的cell
            with tf.variable_scope('LSTM_cell'):
                self.add_cell()
            #直接加层
            with tf.variable_scope('out_hidden'):
                self.add_output_layer()
            #计算损失值
            with tf.name_scope('cost'):
                self.compute_cost()
            #训练
            with tf.name_scope('train'):
                self.train_op = tf.train.AdamOptimizer(LR).minimize(self.cost)
            #正确率计算
            self.correct_pre = tf.equal(tf.argmax(self.ys,1),tf.argmax(self.pred,1))
            self.accuracy = tf.reduce_mean(tf.cast(self.correct_pre,tf.float32))
    
        def add_input_layer(self,):
            #X最开始的形状为(256 batch,28 steps,28 inputs)
            #转化为(256 batch*28 steps,128 hidden)
            l_in_x = tf.reshape(self.xs, [-1, self.input_size], name='to_2D') 
    
            #获取Ws和Bs
            Ws_in = self._weight_variable([self.input_size, self.cell_size])
            bs_in = self._bias_variable([self.cell_size])
    
            #转化为(256 batch*28 steps,256 hidden) 
            with tf.name_scope('Wx_plus_b'):
                l_in_y = tf.matmul(l_in_x, Ws_in) + bs_in
            
            # (batch * n_steps, cell_size) ==> (batch, n_steps, cell_size)
            # (256*28,256)->(256,28,256)
            self.l_in_y = tf.reshape(l_in_y, [-1, self.n_steps, self.cell_size], name='to_3D')
    
        def add_cell(self):
            #神经元个数
            lstm_cell = tf.contrib.rnn.BasicLSTMCell(self.cell_size, forget_bias=1.0, state_is_tuple=True)
    
            #每一次传入的batch的大小
            with tf.name_scope('initial_state'):
                self.cell_init_state = lstm_cell.zero_state(self.batch_size, dtype=tf.float32)
    
            #不是主列
            self.cell_outputs, self.cell_final_state = tf.nn.dynamic_rnn(
                lstm_cell, self.l_in_y, initial_state=self.cell_init_state, time_major=False)
        
        def add_output_layer(self):
            #设置Ws,Bs
            Ws_out = self._weight_variable([self.cell_size, self.output_size])
            bs_out = self._bias_variable([self.output_size])
            # shape = (batch,output_size)
            # (256,10)
            with tf.name_scope('Wx_plus_b'):
                self.pred = tf.matmul(self.cell_final_state[-1], Ws_out) + bs_out
    
        def compute_cost(self):
            self.cost =  tf.reduce_mean(
                tf.nn.softmax_cross_entropy_with_logits(logits = self.pred,labels = self.ys)
                )
    
        def _weight_variable(self, shape, name='weights'):
            initializer = np.random.normal(0.0,1.0 ,size=shape)
            return tf.Variable(initializer, name=name,dtype = tf.float32)
    
        def _bias_variable(self, shape, name='biases'):
            initializer = np.ones(shape=shape)*0.1
            return tf.Variable(initializer, name=name,dtype = tf.float32)
    
    
    if __name__ == '__main__':
        #搭建 LSTMRNN 模型
        model = LSTMRNN(TIME_STEPS, INPUT_SIZE, OUTPUT_SIZE, CELL_SIZE, BATCH_SIZE)
        sess = tf.Session()
    
        sess.run(tf.global_variables_initializer())
        
        #训练10000次
        for i in range(10000):
            xs, ys = get_batch()  #提取 batch data
            if i == 0:
            #初始化data
                feed_dict = {
        
                        model.xs: xs,
                        model.ys: ys,
                }
            else:
                feed_dict = {
        
                    model.xs: xs,
                    model.ys: ys,
                    model.cell_init_state: state    #保持 state 的连续性
                }
            
            #训练
            _, cost, state, pred = sess.run(
                [model.train_op, model.cost, model.cell_final_state, model.pred],
                feed_dict=feed_dict)
            
            #打印精确度结果
            if i % 20 == 0:
                print(sess.run(model.accuracy,feed_dict = {
        
                        model.xs: xs,
                        model.ys: ys,
                        model.cell_init_state: state    #保持 state 的连续性
                }))

希望得到朋友们的喜欢。

**有不懂的朋友可以评论询问噢。**

[20190723165901974.jpg_pic_center]: /images/20211101/8f9bad25ec7445748620a3ed40468033.png
[20190805003426386.png_pic_center]: /images/20211101/4784e0ef86c24d92b90aa8718e4ab2b6.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDc5MTk2NA_size_16_color_FFFFFF_t_70_pic_center]: /images/20211101/8ffe4d8d349440c6bd244a8d7e96f93c.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDc5MTk2NA_size_16_color_FFFFFF_t_70_pic_center 1]: /images/20211101/ba913a2e17bb48a9b2dac7ee5c06abce.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDc5MTk2NA_size_16_color_FFFFFF_t_70_pic_center 2]: /images/20211101/1f8e192b8f5847b787157ab54188ea8c.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDc5MTk2NA_size_16_color_FFFFFF_t_70_pic_center 3]: /images/20211101/70db63444cf94919b4e5b9af96533d17.png