【前言】:在前面的内容里,我们已经学习了循环神经网络的基本结构和运算过程,这一小节里,我们将用TensorFlow实现简单的RNN,并且用来解决时序数据的预测问题,看一看RNN究竟能达到什么样的效果,具体又是如何实现的。

在这个演示项目里,我们使用随机生成的方式生成一个数据集(由0和1组成的二进制序列),然后人为的增加一些数据间的关系。最后我们把这个数据集放进RNN里,让RNN去学习其中的关系,实现二进制序列的预测1。数据生成的方式如下:

循环生成规模为五十万的数据集,每次产生的数据为0或1的概率均为0.5。如果连续生成了两个1(或两个0)的话,则下一个数据强制为0(或1)。

 

1.我们首先导入需要的Python模块: 1 #!/usr/bin/python 2 # -- coding: UTF-8 -- 3 import numpy as np 4 import tensorflow as tf 5 import matplotlib.pyplot as plt 6 from tensorflow.contrib import rnn

  1. 定义一个Data类,用来产生数据: 1 class Data: 2 def init(self, data_size, num_batch, batch_size, time_step): 3 self.data_size = data_size # 数据集的大小 4 self.batch_size = batch_size # 一个batch的大小 5 self.num_batch = num_batch # batch的数目(num_batch=data_size//batch_size) 6 self.time_step = time_step # RNN的时间步 7 self.data_without_rel = [] # 保存随机生成的数据,数据间没有联系 8 self.data_with_rel = [] # 保存有时序关系的数据
  2. 在构造方法“init”中,我们初始化了数据集的大小“data_size”、一个batch的大小“batch_size”、一个epoch中的batch数目“num_batch”以及RNN的时间步“time_step”。接下来我们定义一个“generate_data”方法: 9 def generate_data(self): 10 # 随机生成数据 11 self.data_without_rel = np.array(np.random.choice(2, size=(self.data_size,))) 12 13 for i in range(self.data_size): 14 if self.data_without_rel[i-1] == 1 and self.data_without_rel[i-2] == 1: 15 # 之前连续出现两个1,当前数据设为0 16 self.data_with_rel.append(0) 17 continue 18 elif self.data_without_rel[i-1] == 0 and self.data_without_rel[i-2] == 0: 19 # 之前连续出现两个0,当前数据设为1 20 self.data_with_rel.append(1) 21 continue 22 # np.random.rand()产生的随机数范围:[0,1] 23 else: 24 if np.random.rand() >= 0.5: 25 self.data_with_rel.append(1) 26 else: 27 self.data_with_rel.append(0) 28 return self.data_without_rel, self.data_with_rel

在第11行代码中,我们用了 “np.random.choice”函数生成的由0和1组成的长串数据。接下来我们用了一个for循环,在“data_without_rel”保存的数据的基础上重新生成了一组数据,并保存在“data_with_rel”数组中。为了使生成的数据间具有一定的序列关系,我们使用了前面介绍的很简单的数据生成方式:以“data_without_rel”中的数据为参照,如果出现了连续两个1(或0)则生成一个0(或1),其它情况则以相等概率随机生成0或1。

有了数据我们接下来要用RNN去学习这些数据,看看它能不能学习到我们产生这些数据时使用的策略,即数据间的联系。评判RNN是否学习到规律以及学习的效果如何的依据,是我们在第三章里介绍过的交叉熵损失函数。根据我们生成数据的规则,如果RNN没有学习到规则,那么它预测正确的概率就是0.5,否则它预测正确的概率为:(在“data_without_rel”中,连续出现的两个数字的组合为:00、01、10和11。00和11出现的总概率占0.5,在这种情况下,如果RNN学习到了规律,那么一定能预测出下一个数字,00对应1,11对应0。而如果出现的是01或10的话,RNN预测正确的概率就只有0.5,所以综合起来就是0.75)。

根据交叉熵损失函数,在没有学习到规律的时候,其交叉熵损失为:

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

在学习到规律的时候,其交叉熵损失为:

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.我们定义“generate_epochs”方法处理生成的数据: 29 def generate_epochs(self): 30 # 生成数据 31 self.generate_data() 32 33 data_x = np.zeros([self.num_batch, self.batch_size], dtype=np.int32) 34 data_y = np.zeros([self.num_batch, self.batch_size], dtype=np.int32) 35 36 # 将数据划分成num_batch组 37 for i in range(self.num_batch): 38 data_x[i] = self.data_without_rel[self.batch_size * i:self.batch_size * (i + 1)] 39 data_y[i] = self.data_with_rel[self.batch_size * i:self.batch_size * (i + 1)] 40 # 将每个batch的数据按time_step进行切分 41 epoch_size = self.batch_size // self.time_step 42 43 # 返回最终的数据 44 for i in range(epoch_size): 45 x = data_x[:, self.time_step * i:self.time_step * (i + 1)] 46 y = data_y[:, self.time_step * i:self.time_step * (i + 1)] 47 yield (x, y)

5.接下来实现RNN部分: 48 class Model: 49 def init(self, data_size, batch_size, time_step, state_size): 50 self.data_size = data_size 51 self.batch_size = batch_size 52 self.num_batch = self.data_size // self.batch_size 53 self.time_step = time_step 54 self.state_size = state_size 55 56 # 输入数据的占位符 57 self.x = tf.placeholder(tf.int32, [self.num_batch, self.time_step], name='input_placeholder') 58 self.y = tf.placeholder(tf.int32, [self.num_batch, self.time_step], name='labels_placeholder') 59 60 # 记忆单元的占位符 61 self.init_state = tf.zeros([self.num_batch, self.state_size]) 62 # 将输入数据进行one-hot编码 63 self.rnn_inputs = tf.one_hot(self.x, 2) 64 65 # 隐藏层的权重矩阵和偏置项 66 self.W = tf.get_variable('W', [self.state_size, 2]) 67 self.b = tf.get_variable('b', [2], initializer=tf.constant_initializer(0.0)) 68 69 # RNN隐藏层的输出 70 self.rnn_outputs, self.final_state = self.model() 71 72 # 计算输出层的输出 73 logits = tf.reshape( tf.matmul(tf.reshape(self.rnn_outputs, [-1, self.state_size]), self.W) + self.b, [self.num_batch, self.time_step, 2]) 74 75 self.losses = tf.nn.sparse_softmax_cross_entropy_with_logits(labels=self.y, logits=logits) 76 self.total_loss = tf.reduce_mean(self.losses) 77 self.train_step = tf.train.AdagradOptimizer(0.1).minimize(self.total_loss)

6.定义RNN模型: 78 def model(self): 79 cell = rnn.BasicRNNCell(self.state_size) 80 rnn_outputs, final_state = tf.nn.dynamic_rnn(cell, self.rnn_inputs, initial_state=self.init_state) 81 return rnn_outputs, final_state

这里我们使用了“dynamic_rnn”,因此每次会同时处理所有batch的第一组数据,总共处理的次数为:batch_size / time_step。 82 def train(self): 83 with tf.Session() as sess: 84 sess.run(tf.global_variables_initializer()) 85 training_losses = [] 86 d = Data(self.data_size, self.num_batch, self.batch_size, self.time_step) 87 training_loss = 0 88 training_state = np.zeros((self.num_batch, self.state_size)) 89 for step, (X, Y) in enumerate(d.generate_epoch()): 90 tr_losses, training_loss_, training_state, _ = \ sess.run([self.losses, self.total_loss, self.final_state, self.train_step], feed_dict={self.x: X, self.y: Y, self.init_state: training_state}) 91 training_loss += training_loss_ 92 if step % 20 == 0 and step > 0: 93 training_losses.append(training_loss/20) 94 training_loss = 0 95 return training_losses

7.到这里,我们已经实现了整个RNN模型,接下来初始化相关数据,看看RNN的学习效果如何: 96 if name == 'main': 97 data_size = 500000 98 batch_size = 2000 99 time_step = 5 100 state_size = 6 101 102 m = Model(data_size, batch_size, time_step, state_size) 103 training_losses = m.train() 104 plt.plot(training_losses) 105 plt.show() 定义数据集的大小为500000,每个batch的大小为2000,RNN的“时间步”设为5,隐藏层的神经元数目为6。将训练过程中的loss可视化,结果如下图中的左侧图像所示:

图1 二进制序列数据训练的loss曲线

从左侧loss曲线可以看到,loss最终稳定在了0.35左右,这与我们之前的计算结果一致,说明RNN学习到了序列数据中的规则。右侧的loss曲线是在调整了序列关系的时间间隔后(此时的time_step过小,导致RNN无法学习到序列数据的规则)的结果,此时loss稳定在0.69左右,与之前的计算也吻合。

 

下一篇,我们将介绍几种常见的RNN循环神经网络结构以及部分代码示例。