TensorFlow系列專題（八）：七步帶你實現RNN迴圈神經網路小示例

編輯 | 安可

出品 | 磐創AI技術團隊

【前言】：在前面的內容裡，我們已經學習了迴圈神經網路的基本結構和運算過程，這一小節裡，我們將用TensorFlow實現簡單的RNN，並且用來解決時序資料的預測問題，看一看RNN究竟能達到什麼樣的效果，具體又是如何實現的。

在這個演示專案裡，我們使用隨機生成的方式生成一個資料集（由0和1組成的二進位制序列），然後人為的增加一些資料間的關係。最後我們把這個資料集放進RNN裡，讓RNN去學習其中的關係，實現二進位制序列的預測¹。資料生成的方式如下：

迴圈生成規模為五十萬的資料集，每次產生的資料為0或1的概率均為0.5。如果連續生成了兩個1（或兩個0）的話，則下一個資料強制為0（或1）。

1. 我們首先匯入需要的Python模組：

 

2. 定義一個Data類，用來產生資料：

 

3. 在構造方法“__init__”中，我們初始化了資料集的大小“data_size”、一個batch的大小“batch_size”、一個epoch中的batch數目“num_batch”以及RNN的時間步“time_step”。接下來我們定義一個“generate_data”方法：

在第11行程式碼中，我們用了“np.random.choice”函式生成的由0和1組成的長串資料。接下來我們用了一個for迴圈，在“data_without_rel”儲存的資料的基礎上重新生成了一組資料，並儲存在“data_with_rel”陣列中。為了使生成的資料間具有一定的序列關係，我們使用了前面介紹的很簡單的資料生成方式：以“data_without_rel”中的資料為參照，如果出現了連續兩個1（或0）則生成一個0（或1），其它情況則以相等概率隨機生成0或1。

有了資料我們接下來要用RNN去學習這些資料，看看它能不能學習到我們產生這些資料時使用的策略，即資料間的聯絡。評判RNN是否學習到規律以及學習的效果如何的依據，是我們在第三章裡介紹過的交叉熵損失函式。根據我們生成資料的規則，如果RNN沒有學習到規則，那麼它預測正確的概率就是0.5，否則它預測正確的概率為：0.5*0.5+0.5*1=0.75（在“data_without_rel”中，連續出現的兩個數字的組合為：00、01、10和11。00和11出現的總概率佔0.5，在這種情況下，如果RNN學習到了規律，那麼一定能預測出下一個數字，00對應1，11對應0。而如果出現的是01或10的話，RNN預測正確的概率就只有0.5，所以綜合起來就是0.75）。

根據交叉熵損失函式，在沒有學習到規律的時候，其交叉熵損失為：

loss = - (0.5 * np.log(0.5) + 0.5 * np.log(0.5)) = 0.6931471805599453

在學習到規律的時候，其交叉熵損失為：

Loss = -0.5*(0.5 * np.log(0.5) + np.log(0.5))

 =-0.25 * (1 * np.log(1) ) - 0.25 * (1 *np.log(1))

=0.34657359027997264       

4. 我們定義“generate_epochs”方法處理生成的資料：

5. 接下來實現RNN部分：

6. 定義RNN模型：

這裡我們使用了“dynamic_rnn”，因此每次會同時處理所有batch的第一組資料，總共處理的次數為：batch_size / time_step。

 

7. 到這裡，我們已經實現了整個RNN模型，接下來初始化相關資料，看看RNN的學習效果如何：

定義資料集的大小為500000，每個batch的大小為2000，RNN的“時間步”設為5，隱藏層的神經元數目為6。將訓練過程中的loss視覺化，結果如下圖中的左側影像所示：

圖1 二進位制序列資料訓練的loss曲線

從左側loss曲線可以看到，loss最終穩定在了0.35左右，這與我們之前的計算結果一致，說明RNN學習到了序列資料中的規則。右側的loss曲線是在調整了序列關係的時間間隔後（此時的time_step過小，導致RNN無法學習到序列資料的規則）的結果，此時loss穩定在0.69左右，與之前的計算也吻合。

原文連結：https://mp.weixin.qq.com/s/ol91meefAd9j3G0EAVtN3w

來自 “ ITPUB部落格 ” ，連結：http://blog.itpub.net/31555081/viewspace-2221141/，如需轉載，請註明出處，否則將追究法律責任。