TF - RNN

作者: leo567 | 来源:发表于2018-11-12 17:34 被阅读110次
    • RNN(Recurrent Neural Network, 递归神经网络)

    处理文字或者语音问题时,需要把它看做一个连续的整体,这里给神经网络加上了一个反馈回路,反馈回路会把上一个时间的输出当做下一个时间的输出来处理。

    在时间线上反馈回路

    RNN与BP神经网络的区别就在于有反馈回路,但他们都有梯度消失的问题,之前的信息会随着时间不断的衰减。


    time五六次就会出现梯度消失的问题(黑色渐变为白色)

    如果采用y=x这种激活函数,虽然不会出现信号消失的问题, 但会一直记住一些无用的东西,这样是不合理的。合理的做法我们应该进行有选择的记忆,有用的东西就记录下来,没有用的东西就选择忘记。 根据这种思想就诞生了LSTM

    • LSTM(Long Short Term Memory)
    计算过程

    从下面输入,与input gate相乘,forget gate进行信号衰减,output gate进行输出和输出信号强度控制。三个gate都是进行训练进行调整。

    上图看出三个gate的输入信号都是一样的,当前block的输入信号、上一个block的输出信号以及cell传过来的信号。


    时间1传过来的学习信号向后传播,影响第4项和第6项的学习结果,通过三个gate来控制信号什么时候输出。

    • LSTM用于图片分类
    
    import tensorflow as tf
    from tensorflow.examples.tutorials.mnist import input_data
    import os
    
    os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'
    
    # 载入数据集
    mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)
    
    # 输入图片是28*28
    n_inputs = 28  # 输入一行,一行有28个数据
    max_time = 28  # 一共28行
    lstm_size = 100  # 隐层单元 (block)
    n_classes = 10  # 10个分类
    batch_size = 50  # 每批次50个样本
    n_batch = mnist.train.num_examples // batch_size  # 计算一共有多少个批次
    
    # 这里的none表示第一个维度可以是任意的长度
    x = tf.placeholder(tf.float32, [None, 784])
    # 正确的标签
    y = tf.placeholder(tf.float32, [None, 10])
    
    # 初始化权值
    weights = tf.Variable(tf.truncated_normal([lstm_size, n_classes], stddev=0.1))
    # 初始化偏置值
    biases = tf.Variable(tf.constant(0.1, shape=[n_classes]))
    
    
    # 定义RNN网络
    def RNN(X, weights, biases):
        # inputs=[batch_size, max_time, n_inputs]
        inputs = tf.reshape(X, [-1, max_time, n_inputs])
        # 定义LSTM基本CELL
        lstm_cell = tf.contrib.rnn.BasicLSTMCell(lstm_size)
        # final_state[state, batch_size, cell.state_size]
    
        #outputs: The RNN output Tensor.
        # If time_major == False (default), this will be a Tensor shaped: [batch_size, max_time, cell.output_size].
        # If time_major == True, this will be a Tensor shaped: [max_time, batch_size, cell.output_size].
    
        outputs, final_state = tf.nn.dynamic_rnn(lstm_cell, inputs, dtype=tf.float32)
        results = tf.nn.softmax(tf.matmul(final_state[1], weights) + biases)
        return results
    
    
    # 计算RNN的返回结果
    prediction = RNN(x, weights, biases)
    # 损失函数
    cross_entropy = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(logits=prediction, labels=y))
    # 使用AdamOptimizer进行优化
    train_step = tf.train.AdamOptimizer(1e-4).minimize(cross_entropy)
    # 结果存放在一个布尔型列表中
    correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(prediction, 1))  # argmax返回一维张量中最大的值所在的位置
    # 求准确率
    accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))  # 把correct_prediction变为float32类型
    # 初始化
    init = tf.global_variables_initializer()
    
    with tf.Session() as sess:
        sess.run(init)
        for epoch in range(10):
            for batch in range(n_batch):
                batch_xs, batch_ys = mnist.train.next_batch(batch_size)
                sess.run(train_step, feed_dict={x: batch_xs, y: batch_ys})
    
            acc = sess.run(accuracy, feed_dict={x: mnist.test.images, y: mnist.test.labels})
            print("Iter " + str(epoch) + ", Testing Accuracy= " + str(acc))
    
    
    结果

    相关文章

      网友评论

          本文标题:TF - RNN

          本文链接:https://www.haomeiwen.com/subject/qvrcfqtx.html