系列文章目录
文章目录
- 系列文章目录
- 循环神经网络的从零开始实现
- [**独热编码**]
- 初始化模型参数
- 循环神经网络模型
- 预测
- [**梯度裁剪**]
- 训练
- 小结
- 练习
循环神经网络的从零开始实现
import math
import torch
from torch import nn
from torch.nn import functional as F
from d2l import torch as d2l
batch_size, num_steps = 32, 35
train_iter, vocab = d2l.load_data_time_machine(batch_size, num_steps)
[独热编码]
回想一下，在train_iter中，每个词元都表示为一个数字索引，将这些索引直接输入神经网络可能会使学习变得困难。
我们通常将每个词元表示为更具表现力的特征向量。
最简单的表示称为独热编码（one-hot encoding）。
简言之，将每个索引映射为相互不同的单位向量：假设词表中不同词元的数目为
N
N
N（即len(vocab)），词元索引的范围为
0
0
0到
N
−
1
N-1
N−1。
如果词元的索引是整数
i
i
i，那么我们将创建一个长度为
N
N
N的全
0
0
0向量，并将第
i
i
i处的元素设置为
1
1
1。此向量是原始词元的一个独热向量。索引为
0
0
0和
2
2
2的独热向量如下所示：
F.one_hot(torch.tensor([0, 2]), len(vocab))
tensor([[1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,
0, 0, 0, 0],
[0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,
0, 0, 0, 0]])
我们每次采样的(小批量数据形状是二维张量：（批量大小，时间步数）。)
one_hot函数将这样一个小批量数据转换成三维张量，张量的最后一个维度等于词表大小（len(vocab)）。
我们经常转换输入的维度，以便获得形状为（时间步数，批量大小，词表大小）的输出。
这将使我们能够更方便地通过最外层的维度，一步一步地更新小批量数据的隐状态。
X = torch.arange(10).reshape((2, 5))
F.one_hot(X.T, 28).shape
torch.Size([5, 2, 28]) #第一个维度变成了时间 ，然后是批量，然后是样本的特征长度
为什么上面要进行转置？转置之后我们在取数据时，更加简单。
转置为了更方便按照时间顺序使用
x
t
x_t
xt，也就是按照时间步来使用。
初始化模型参数
接下来，我们[初始化循环神经网络模型的模型参数]。
隐藏单元数num_hiddens是一个可调的超参数。
当训练语言模型时，输入和输出来自相同的词表。
因此，它们具有相同的维度，即词表的大小。
def get_params(vocab_size, num_hiddens, device):
num_inputs = num_outputs = vocab_size
#输入本来是词或者字母，但是现在变成了vocab然后放入比如说MLP，（之前我们对一张图片输入到MLP也就是把图片变成一维的向量，这个向量的长度也就是图片像素点的个数），那输入的size就是vocab_size。
#输出，因为我们这是个分类问题，所以输出就是对vacab里每个字母的概率值，所以他的大小也是vocab_size
def normal(shape):
return torch.randn(size=shape, device=device) * 0.01
# 隐藏层参数 注意这里W_xh为什么xh是而不是hx,和之前的文章中的参数下标不一致，这是因为我们在进行矩阵运算时候，把x放在了W的前面。
W_xh = normal((num_inputs, num_hiddens))
W_hh = normal((num_hiddens, num_hiddens))
b_h = torch.zeros(num_hiddens, device=device)
# 输出层参数
W_hq = normal((num_hiddens, num_outputs))
b_q = torch.zeros(num_outputs, device=device)
# 附加梯度
params = [W_xh, W_hh, b_h, W_hq, b_q]
for param in params:
param.requires_grad_(True)
return params
循环神经网络模型
为了定义循环神经网络模型，我们首先需要[一个init_rnn_state函数在初始化时返回隐状态]。
这个函数的返回是一个张量，张量全用0填充，形状为（批量大小，隐藏单元数）。
在后面的章节中我们将会遇到隐状态包含多个变量的情况，而使用元组可以更容易地处理些。
def init_rnn_state(batch_size, num_hiddens, device):
return (torch.zeros((batch_size, num_hiddens), device=device), )
[下面的rnn函数定义了如何在一个时间步内计算隐状态和输出。]
循环神经网络模型通过inputs最外层的维度实现循环，以便逐时间步更新小批量数据的隐状态H。
此外，这里使用
tanh
\tanh
tanh函数作为激活函数。
当元素在实数上满足均匀分布时，
tanh
\tanh
tanh函数的平均值为0。
def rnn(inputs, state, params):
# inputs的形状：(时间步数量，批量大小，词表大小)
W_xh, W_hh, b_h, W_hq, b_q = params
H, = state
outputs = []
# X的形状：(批量大小，词表大小)
for X in inputs:
H = torch.tanh(torch.mm(X, W_xh) + torch.mm(H, W_hh) + b_h) #注意为了理解为什么可以多个batch同时训练，可以理解为我多个batch中每一个都单独与W_xh的每个数字进行了运算，也就是存在共享的模型参数，比如W_xh，被每个batch进行调整。
Y = torch.mm(H, W_hq) + b_q
outputs.append(Y)
#print("Y.shape = "+str(Y.shape))
return torch.cat(outputs, dim=0), (H,)
定义了所有需要的函数之后，接下来我们[创建一个类来包装这些函数]，
并存储从零开始实现的循环神经网络模型的参数。
class RNNModelScratch: #@save
"""从零开始实现的循环神经网络模型"""
def __init__(self, vocab_size, num_hiddens, device,
get_params, init_state, forward_fn):
self.vocab_size, self.num_hiddens = vocab_size, num_hiddens
self.params = get_params(vocab_size, num_hiddens, device)
self.init_state, self.forward_fn = init_state, forward_fn
def __call__(self, X, state):
X = F.one_hot(X.T, self.vocab_size).type(torch.float32)
return self.forward_fn(X, state, self.params)
def begin_state(self, batch_size, device):
return self.init_state(batch_size, self.num_hiddens, device)
让我们[检查输出是否具有正确的形状]。
例如，隐状态的维数是否保持不变。
num_hiddens = 512
net = RNNModelScratch(len(vocab), num_hiddens, d2l.try_gpu(), get_params,
init_rnn_state, rnn)
state = net.begin_state(X.shape[0], d2l.try_gpu())
print(state)
print(X.shape)
Y, new_state = net(X.to(d2l.try_gpu()), state)
Y.shape, len(new_state), new_state[0].shape
(torch.Size([10, 28]), 1, torch.Size([2, 512]))
我们可以看到输出形状是（时间步数
×
\times
×批量大小，词表大小），
而隐状态形状保持不变，即（批量大小，隐藏单元数）。
预测
让我们[首先定义预测函数来生成prefix之后的新字符]，
其中的prefix是一个用户提供的包含多个字符的字符串。
在循环遍历prefix中的开始字符时，
我们不断地将隐状态传递到下一个时间步，但是不生成任何输出。
这被称为预热（warm-up）期，
因为在此期间模型会自我更新（例如，更新隐状态），
但不会进行预测。
预热期结束后，隐状态的值通常比刚开始的初始值更适合预测，
从而预测字符并输出它们。
def predict_ch8(prefix, num_preds, net, vocab, device): #@save
"""在prefix后面生成新字符"""
state = net.begin_state(batch_size=1, device=device)
outputs = [vocab[prefix[0]]]
get_input = lambda: torch.tensor([outputs[-1]], device=device).reshape((1, 1))
for y in prefix[1:]: # 预热期
_, state = net(get_input(), state)
outputs.append(vocab[y])
for _ in range(num_preds): # 预测num_preds步
y, state = net(get_input(), state)
#print("y.shape = "+ str(y.shape))
outputs.append(int(y.argmax(dim=1).reshape(1)))
#print("y.argmax(dim=1).reshape(1) = "+str(y.argmax(dim=1).reshape(1)))
# print("outputs.shape = "+str(outputs.shape)) AttributeError: 'list' object has no attribute 'shape'
return ''.join([vocab.idx_to_token[i] for i in outputs])
现在我们可以测试predict_ch8函数。
我们将前缀指定为time traveller ，
并基于这个前缀生成10个后续字符。
鉴于我们还没有训练网络，它会生成荒谬的预测结果。
predict_ch8('time traveller ', 10, net, vocab, d2l.try_gpu())
'time traveller qxfh qxfh '
[梯度裁剪]
对于长度为
T
T
T的序列，我们在迭代中计算这
T
T
T个时间步上的梯度，
将会在反向传播过程中产生长度为
O
(
T
)
\mathcal{O}(T)
O(T)的矩阵乘法链。
如 :numref:sec_numerical_stability所述，
当
T
T
T较大时，它可能导致数值不稳定，
例如可能导致梯度爆炸或梯度消失。
因此，循环神经网络模型往往需要额外的方式来支持稳定训练。
一般来说，当解决优化问题时，我们对模型参数采用更新步骤。
假定在向量形式的
x
\mathbf{x}
x中，
或者在小批量数据的负梯度
g
\mathbf{g}
g方向上。
例如，使用
η
>
0
\eta > 0
η>0作为学习率时，在一次迭代中，
我们将
x
\mathbf{x}
x更新为
x
−
η
g
\mathbf{x} - \eta \mathbf{g}
x−ηg。
如果我们进一步假设目标函数
f
f
f表现良好，
即函数
f
f
f在常数
L
L
L下是利普希茨连续的（Lipschitz continuous）。
也就是说，对于任意
x
\mathbf{x}
x和
y
\mathbf{y}
y我们有：
∣ f ( x ) − f ( y ) ∣ ≤ L ∥ x − y ∥ . |f(\mathbf{x}) - f(\mathbf{y})| \leq L \|\mathbf{x} - \mathbf{y}\|. ∣f(x)−f(y)∣≤L∥x−y∥.
在这种情况下，我们可以安全地假设：
如果我们通过
η
g
\eta \mathbf{g}
ηg更新参数向量，则
∣ f ( x ) − f ( x − η g ) ∣ ≤ L η ∥ g ∥ , |f(\mathbf{x}) - f(\mathbf{x} - \eta\mathbf{g})| \leq L \eta\|\mathbf{g}\|, ∣f(x)−f(x−ηg)∣≤Lη∥g∥,
这意味着我们不会观察到超过
L
η
∥
g
∥
L \eta \|\mathbf{g}\|
Lη∥g∥的变化。
这既是坏事也是好事。
坏的方面，它限制了取得进展的速度；
好的方面，它限制了事情变糟的程度，尤其当我们朝着错误的方向前进时。
有时梯度可能很大，从而优化算法可能无法收敛。
我们可以通过降低
η
\eta
η的学习率来解决这个问题。
但是如果我们很少得到大的梯度呢？
在这种情况下，这种做法似乎毫无道理。
一个流行的替代方案是通过将梯度
g
\mathbf{g}
g投影回给定半径
（例如
θ
\theta
θ）的球来裁剪梯度
g
\mathbf{g}
g。
如下式：
( g ← min ( 1 , θ ∥ g ∥ ) g . \mathbf{g} \leftarrow \min\left(1, \frac{\theta}{\|\mathbf{g}\|}\right) \mathbf{g}. g←min(1,∥g∥θ)g.)
通过这样做，我们知道梯度范数永远不会超过
θ
\theta
θ，
并且更新后的梯度完全与
g
\mathbf{g}
g的原始方向对齐。
它还有一个值得拥有的副作用，
即限制任何给定的小批量数据（以及其中任何给定的样本）对参数向量的影响，
这赋予了模型一定程度的稳定性。
梯度裁剪提供了一个快速修复梯度爆炸的方法，
虽然它并不能完全解决问题，但它是众多有效的技术之一。
下面我们定义一个函数来裁剪模型的梯度，
模型是从零开始实现的模型或由高级API构建的模型。
我们在此计算了所有模型参数的梯度的范数。
def grad_clipping(net, theta): #@save
"""裁剪梯度"""
if isinstance(net, nn.Module):
params = [p for p in net.parameters() if p.requires_grad]
else:
params = net.params
norm = torch.sqrt(sum(torch.sum((p.grad ** 2)) for p in params))
if norm > theta:
for param in params:
param.grad[:] *= theta / norm
训练
在训练模型之前，让我们[定义一个函数在一个迭代周期内训练模型]。
它与我们训练 :numref:sec_softmax_scratch模型的方式有三个不同之处。
- 序列数据的不同采样方法（随机采样和顺序分区）将导致隐状态初始化的差异。
- 我们在更新模型参数之前裁剪梯度。
这样的操作的目的是，即使训练过程中某个点上发生了梯度爆炸，也能保证模型不会发散。 - 我们用困惑度来评价模型。如 :numref:
subsec_perplexity所述，
这样的度量确保了不同长度的序列具有可比性。
具体来说，当使用顺序分区时，
我们只在每个迭代周期的开始位置初始化隐状态。
由于下一个小批量数据中的第
i
i
i个子序列样本
与当前第
i
i
i个子序列样本相邻，
因此当前小批量数据最后一个样本的隐状态，
将用于初始化下一个小批量数据第一个样本的隐状态。
这样，存储在隐状态中的序列的历史信息
可以在一个迭代周期内流经相邻的子序列。
然而，在任何一点隐状态的计算，
都依赖于同一迭代周期中前面所有的小批量数据，
这使得梯度计算变得复杂。
为了降低计算量，在处理任何一个小批量数据之前，
我们先分离梯度，使得隐状态的梯度计算总是限制在一个小批量数据的时间步内。
当使用随机抽样时，因为每个样本都是在一个随机位置抽样的，
因此需要为每个迭代周期重新初始化隐状态。
与 :numref:sec_softmax_scratch中的
train_epoch_ch3函数相同，
updater是更新模型参数的常用函数。
它既可以是从头开始实现的d2l.sgd函数，
也可以是深度学习框架中内置的优化函数。
def train_epoch_ch8(net, train_iter, loss, updater, device, use_random_iter):
"""训练网络一个迭代周期（定义见第8章）"""
state, timer = None, d2l.Timer()
metric = d2l.Accumulator(2) # 训练损失之和,词元数量
for X, Y in train_iter:
if state is None or use_random_iter:
# 在第一次迭代或使用随机抽样时初始化state
state = net.begin_state(batch_size=X.shape[0], device=device)
else:
if isinstance(net, nn.Module) and not isinstance(state, tuple):
# state对于nn.GRU是个张量
state.detach_()
else:
# state对于nn.LSTM或对于我们从零开始实现的模型是个张量
for s in state:
s.detach_()
y = Y.T.reshape(-1)
print("y.shape = "+str(y.shape))
print("X.shape = "+str(X.shape))
X, y = X.to(device), y.to(device)
y_hat, state = net(X, state)
print("y_hat.shape = "+str(y_hat.shape))
l = loss(y_hat, y.long()).mean()
if isinstance(updater, torch.optim.Optimizer):
updater.zero_grad()
l.backward()
grad_clipping(net, 1)
updater.step()
else:
l.backward()
grad_clipping(net, 1)
# 因为已经调用了mean函数
updater(batch_size=1)
metric.add(l * y.numel(), y.numel())
return math.exp(metric[0] / metric[1]), metric[1] / timer.stop()
[循环神经网络模型的训练函数既支持从零开始实现，也可以使用高级API来实现。]
def train_ch8(net, train_iter, vocab, lr, num_epochs, device,
use_random_iter=False):
"""训练模型（定义见第8章）"""
loss = nn.CrossEntropyLoss()
animator = d2l.Animator(xlabel='epoch', ylabel='perplexity',
legend=['train'], xlim=[10, num_epochs])
# 初始化
if isinstance(net, nn.Module):
updater = torch.optim.SGD(net.parameters(), lr)
else:
updater = lambda batch_size: d2l.sgd(net.params, lr, batch_size)
predict = lambda prefix: predict_ch8(prefix, 50, net, vocab, device)
# 训练和预测
for epoch in range(num_epochs):
ppl, speed = train_epoch_ch8(
net, train_iter, loss, updater, device, use_random_iter)
if (epoch + 1) % 10 == 0:
print(predict('time traveller'))
animator.add(epoch + 1, [ppl])
print(f'困惑度 {ppl:.1f}, {speed:.1f} 词元/秒 {str(device)}')
print(predict('time traveller'))
print(predict('traveller'))
[**现在，我们训练循环神经网络模型。**]
因为我们在数据集中只使用了10000个词元，
所以模型需要更多的迭代周期来更好地收敛。
num_epochs, lr = 50, 1
train_ch8(net, train_iter, vocab, lr, num_epochs, d2l.try_gpu())
困惑度 8.5, 89198.1 词元/秒 cuda:0
time traveller and the the the the the the the the the the the t
traveller and the the the the the the the the the the the t
<Figure size 350x250 with 1 Axes>
[最后，让我们检查一下使用随机抽样方法的结果。]
net = RNNModelScratch(len(vocab), num_hiddens, d2l.try_gpu(), get_params,
init_rnn_state, rnn)
train_ch8(net, train_iter, vocab, lr, num_epochs, d2l.try_gpu(),
use_random_iter=True)
困惑度 8.7, 96895.6 词元/秒 cuda:0
time traveller the the the the the the the the the the the the t
traveller the the the the the the the the the the the the t
<Figure size 350x250 with 1 Axes>
从零开始实现上述循环神经网络模型，
虽然有指导意义，但是并不方便。
在下一节中，我们将学习如何改进循环神经网络模型。
例如，如何使其实现地更容易，且运行速度更快。
小结
- 我们可以训练一个基于循环神经网络的字符级语言模型，根据用户提供的文本的前缀生成后续文本。
- 一个简单的循环神经网络语言模型包括输入编码、循环神经网络模型和输出生成。
- 循环神经网络模型在训练以前需要初始化状态，不过随机抽样和顺序划分使用初始化方法不同。
- 当使用顺序划分时，我们需要分离梯度以减少计算量。
- 在进行任何预测之前，模型通过预热期进行自我更新（例如，获得比初始值更好的隐状态）。
- 梯度裁剪可以防止梯度爆炸，但不能应对梯度消失。
练习
- 尝试说明独热编码等价于为每个对象选择不同的嵌入表示。
- 通过调整超参数（如迭代周期数、隐藏单元数、小批量数据的时间步数、学习率等）来改善困惑度。
- 困惑度可以降到多少？
- 用可学习的嵌入表示替换独热编码，是否会带来更好的表现？
- 如果用H.G.Wells的其他书作为数据集时效果如何，
例如世界大战？
- 修改预测函数，例如使用采样，而不是选择最有可能的下一个字符。
- 会发生什么？
- 调整模型使之偏向更可能的输出，例如，当 α > 1 \alpha > 1 α>1，从 q ( x t ∣ x t − 1 , … , x 1 ) ∝ P ( x t ∣ x t − 1 , … , x 1 ) α q(x_t \mid x_{t-1}, \ldots, x_1) \propto P(x_t \mid x_{t-1}, \ldots, x_1)^\alpha q(xt∣xt−1,…,x1)∝P(xt∣xt−1,…,x1)α中采样。
- 在不裁剪梯度的情况下运行本节中的代码会发生什么？
- 更改顺序划分，使其不会从计算图中分离隐状态。运行时间会有变化吗？困惑度呢？
- 用ReLU替换本节中使用的激活函数，并重复本节中的实验。我们还需要梯度裁剪吗？为什么？
![Kafka技术详解[1]:简介与基础概念](https://i-blog.csdnimg.cn/direct/cc6d7b5e82164eafa578852c40aab402.png)
