一、
双向循环神经网络（Bidirectional Recurrent Neural Network，BiRNN）是一种常见的循环神经网络结构。与传统的循环神经网络只考虑历史时刻的信息不同，双向循环神经网络不仅考虑历史时刻的信息，还考虑未来时刻的信息。
在双向循环神经网络中，输入序列可以被看作是由两个部分组成的：正向和反向。在正向部分中，输入数据从前往后进行处理，而在反向部分中，输入数据从后往前进行处理。这两个部分在网络中分别使用独立的循环神经网络进行计算，并将它们的输出进行拼接。这样，网络就可以获得正向和反向两个方向的信息，并且能够同时考虑整个序列的上下文信息。
双向循环神经网络的作用是在处理序列数据时，提供更全面、更准确的上下文信息，能够捕获序列中前后关系，对于很多序列处理任务（例如自然语言处理、语音识别等）的效果都有很大的提升。在本代码中，设置了 bidirectional=True，意味着使用双向 GRU，提取的特征包含了正向和反向的信息。在 GRU 层输出后，通过 torch.cat() 将正向和反向的最后一个时间步的隐含状态进行拼接，从而得到一个更全面的特征表示。
二、项目简介：根据名字中的字符来预测其是哪个国家的人
代码：
import csv
import time
import matplotlib.pyplot as plt
import numpy as np
import math
import gzip # 用于读取压缩文件
import torch
import torch.optim as optim
from torch.utils.data import Dataset, DataLoader
from torch.nn.utils.rnn import pack_padded_sequence
# 一些超参数
HIDDEN_SIZE = 100
BATCH_SIZE = 256 # 一次训练的样本数，为256个名字
N_LAYER = 2 # RNN的层数
N_EPOCHS = 100
N_CHARS = 128 # ASCII码一共有128个字符
USE_GPU = False # 不好意思，我没GPU！
# 构造数据集
class NameDataset(Dataset):
def __init__(self, is_train_set=True):
filename = '../Data/names_train.csv.gz' if is_train_set else '../Data/names_test.csv.gz'
with gzip.open(filename, 'rt') as f: # rt表示以只读模式打开文件，并将文件内容解析为文本形式
reader = csv.reader(f)
rows = list(reader) # rows是一个列表，每个元素是一个名字和国家名组成的列表
self.names = [row[0] for row in rows] # 一个很长的列表，每个元素是一个名字，字符串，长度不一，需要转化为数字
self.len = len(self.names) # 训练集：13374 测试集：6700
self.countries = [row[1] for row in rows] # 一个很长的列表，每个元素是一个国家名，字符串，需要编码成数字
# 下面两行的作用其实就是把国家名编码成数字，因为后面要用到交叉熵损失函数
self.country_list = list(sorted(set(self.countries))) # 列表，按字母表顺序排序，去重后有18个国家名
self.country_dict = self.getCountryDict() # 字典，key是国家名，value是country_list的国家名对应的索引(0-17)
self.country_num = len(self.country_list) # 18
# 根据样本的索引返回姓名和国家名对应的索引，可以理解为(特征,标签)，但这里的特征是姓名，后面还需要转化为数字，标签是国家名对应的索引
def __getitem__(self, index):
return self.names[index], self.country_dict[self.countries[index]]
# 返回样本数量
def __len__(self):
return self.len
# 返回一个key为国家名和value为索引的字典
def getCountryDict(self):
country_dict = dict() # 空字典
for idx, country_name in enumerate(self.country_list):
country_dict[country_name] = idx
return country_dict
# 根据索引(标签值)返回对应的国家名
def idx2country(self, index):
return self.country_list[index]
# 返回国家名(标签类别)的个数，18
def getCountriesNum(self):
return self.country_num
# 实例化数据集
trainset = NameDataset(is_train_set=True)
trainloader = DataLoader(trainset, batch_size=BATCH_SIZE, shuffle=True)
testset = NameDataset(is_train_set=False)
testloader = DataLoader(testset, batch_size=BATCH_SIZE, shuffle=False)
N_COUNTRY = trainset.getCountriesNum() # 18个国家名，即18个类别
# 设计神经网络模型
class RNNClassifier(torch.nn.Module):
def __init__(self, input_size, hidden_size, output_size, n_layers=1, bidirectional=True):
super(RNNClassifier, self).__init__()
self.hidden_size = hidden_size # 隐含层的大小，100
self.n_layers = n_layers # RNN的层数，2
self.n_directions = 2 if bidirectional else 1 # 是否使用双向RNN
# 词嵌入层：input_size是输入的特征数(即不同词语的个数)，即128;embedding_size是词嵌入的维度(即将词语映射到的向量的维度)，这里让它等于了隐含层的大小，即100
self.embedding = torch.nn.Embedding(input_size, hidden_size)
# GRU层：input_size是输入的特征数(这里是embedding_size,其大小等于hidden_size)，即100;hidden_size是隐含层的大小，即100;n_layers是RNN的层数，2;bidirectional是是否使用双向RNN
self.gru = torch.nn.GRU(hidden_size, hidden_size, n_layers, bidirectional=bidirectional)
# 全连接层：hidden_size是隐含层的大小，即100;output_size是输出的特征数(即不同类别的个数)，即18
self.fc = torch.nn.Linear(hidden_size * self.n_directions, output_size)
def _init_hidden(self, batch_size):
# 初始化隐含层，形状为(n_layers * num_directions, batch_size, hidden_size)
hidden = torch.zeros(self.n_layers * self.n_directions, batch_size, self.hidden_size)
return create_tensor(hidden)
def forward(self, input, seq_lengths):
# input shape:B X S -> S X B
input = input.t() # 转置，变成(seq_len,batch_size)
batch_size = input.size(1) # 256，一次训练的样本数，为256个名字，即batch_size
hidden = self._init_hidden(batch_size)
# 1、嵌入层处理，input:(seq_len,batch_size) -> embedding:(seq_len,batch_size,embedding_size)
embedding = self.embedding(input)
# pack them up
gru_input = pack_padded_sequence(embedding, seq_lengths)
# output:(*, hidden_size * num_directions)，*表示输入的形状(seq_len,batch_size)
# hidden:(num_layers * num_directions, batch, hidden_size)
output, hidden = self.gru(gru_input, hidden)
if self.n_directions == 2:
hidden_cat = torch.cat([hidden[-1], hidden[-2]],
dim=1) # hidden[-1]的形状是(1,256,100)，hidden[-2]的形状是(1,256,100)，拼接后的形状是(1,256,200)
else:
hidden_cat = hidden[-1] # (1,256,100)
fc_output = self.fc(hidden_cat) # 返回的是(1,256,18)
return fc_output
# 下面该函数属于数据准备阶段的延续部分，因为神经网络只能处理数字，不能处理字符串，所以还需要把姓名转换成数字
def make_tensors(names, countries):
# 传入的names是一个列表，每个元素是一个姓名字符串，countries也是一个列表，每个元素是一个整数
sequences_and_lengths = [name2list(name) for name in
names] # 返回的是一个列表，每个元素是一个元组，元组的第一个元素是姓名字符串转换成的数字列表，第二个元素是姓名字符串的长度
name_sequences = [sl[0] for sl in sequences_and_lengths] # 返回的是一个列表，每个元素是姓名字符串转换成的数字列表
seq_lengths = torch.LongTensor([sl[1] for sl in sequences_and_lengths]) # 返回的是一个列表，每个元素是姓名字符串的长度
countries = countries.long() # PyTorch 中，张量的默认数据类型是浮点型 (float)，这里转换成整型，可以避免浮点数比较时的精度误差，从而提高模型的训练效果
# make tensor of name, (Batch_size,Seq_len) 实现填充0的功能
seq_tensor = torch.zeros(len(name_sequences), seq_lengths.max()).long()
for idx, (seq, seq_len) in enumerate(zip(name_sequences, seq_lengths)):
seq_tensor[idx, :seq_len] = torch.LongTensor(seq)
# sort by length to use pack_padded_sequence
# perm_idx是排序后的数据在原数据中的索引,seq_tensor是排序后的数据,seq_lengths是排序后的数据的长度,countries是排序后的国家
seq_lengths, perm_idx = seq_lengths.sort(dim=0, descending=True)
seq_tensor = seq_tensor[perm_idx]
countries = countries[perm_idx]
return create_tensor(seq_tensor), create_tensor(seq_lengths), create_tensor(countries)
# 把名字转换成ASCII码，返回ASCII码值列表和名字的长度
def name2list(name):
arr = [ord(c) for c in name]
return arr, len(arr)
# 是否把数据放到GPU上
def create_tensor(tensor):
if USE_GPU:
device = torch.device('cuda:0')
tensor = tensor.to(device)
return tensor
# 训练模型
def trainModel():
total_loss = 0
for i, (names, countries) in enumerate(trainloader, 1):
inputs, seq_lengths, target = make_tensors(names, countries)
output = classifier(inputs, seq_lengths)
loss = criterion(output, target)
optimizer.zero_grad()
loss.backward()
optimizer.step()
total_loss += loss.item()
if i % 10 == 0:
print(f'[{timeSince(start)}] Epoch {epoch} ', end='') # end=''表示不换行
print(f'[{i * len(inputs)}/{len(trainset)}] ', end='')
print(f'loss={total_loss / (i * len(inputs))}') # 打印每个样本的平均损失
return total_loss # 返回的是所有样本的损失，我们并没有用上它
# 测试模型
def testModel():
correct = 0
total = len(testset)
print('evaluating trained model ...')
with torch.no_grad():
for i, (names, countries) in enumerate(testloader, 1):
inputs, seq_lengths, target = make_tensors(names, countries)
output = classifier(inputs, seq_lengths)
pred = output.max(dim=1, keepdim=True)[1] # 返回每一行中最大值的那个元素的索引，且keepdim=True，表示保持输出的二维特性
correct += pred.eq(target.view_as(pred)).sum().item() # 计算正确的个数
percent = '%.2f' % (100 * correct / total)
print(f'Test set: Accuracy {correct}/{total} {percent}%')
return correct / total # 返回的是准确率，0.几几的格式，用来画图
def timeSince(since):
now = time.time()
s = now - since
m = math.floor(s / 60) # math.floor()向下取整
s -= m * 60
return '%dmin %ds' % (m, s) # 多少分钟多少秒
if __name__ == '__main__':
classifier = RNNClassifier(N_CHARS, HIDDEN_SIZE, N_COUNTRY, N_LAYER)
if USE_GPU:
device = torch.device('cuda:0')
classifier.to(device)
# 定义损失函数和优化器
criterion = torch.nn.CrossEntropyLoss()
optimizer = optim.Adam(classifier.parameters(), lr=0.001)
start = time.time()
print('Training for %d epochs...' % N_EPOCHS)
acc_list = []
# 在每个epoch中，训练完一次就测试一次
for epoch in range(1, N_EPOCHS + 1):
# Train cycle
trainModel()
acc = testModel()
acc_list.append(acc)
# 绘制在测试集上的准确率
epoch = np.arange(1, len(acc_list) + 1)
acc_list = np.array(acc_list)
plt.plot(epoch, acc_list)
plt.xlabel('Epoch')
plt.ylabel('Accuracy')
plt.grid()
plt.show()
运行结果：
