【人工智能概论】 RNN、LSTM、GRU简单入门与应用举例

---

一. RNN简介

1.1 概念简介

• 循环神经网络(Recurrent Neural Network)
• 理念上与CNN类似，都有权值共享的理念在，CNN是一个核扫空间，RNN是一个核扫时间。
• 具体点说RNN有点像是对线性层的复用。
• RNN的结构展示：
  
• 每个时间步都会产生一个隐变量h_i，h_i会作为输入的一部分传给下一个时间步，h_i会保存之前时间步里的信息。

1.2 方法使用简介

• 可以利用以下的组合实现构建一个RNN结构

RNN = torch.nn.RNN(input_size, hidden_size, num_layers)
outputs, hidden_n = RNN(inputs, hidden_0)

• 其中：

• input_size可以理解为词编码的维度，hidden_size是隐变量的维度，num_layers是RNN的堆叠层数；
• 为了每次输入的都是同一时间步的数据，inputs的形状为（seqlen，batch_size，input_size）；
• hidden_0指的是初始隐变量h₀，它是个先验数据，不知道不妨全给0，其形状为（num_layers，batch_size，hidden_size）；
• outputs是所有时间步产生的隐变量，其尺寸为（seqlen，batch_size，hidden_size）；
• hidden_n是最后一个时间步的隐变量h_n，其尺寸为（num_layers，batch_size，hidden_size）。

二. 编码层embedding

2.1 embedding的参数

nn.Embedding((num_embeddings,embedding_dim)

• num_embeddings代表词典大小尺寸，比如训练时所可能出现的词语一共5000个词，那么就有num_embedding=5000；
• embedding_dim表示嵌入向量的维度，即用一个多少维的向量来表示一个符号。

---

• 是一个lookup table，存储了固定大小的dictionary（的word embeddings）。输入是indices，来获取指定indices的word embedding向量。（指定字典大小后，根据索引编号进行查表）
• （1）把从单词到索引的映射存储在word_to_idx的字典中。（2）索引embedding表时，必须使用torch.LongTensor（因为索引是整数）
• 其实就是按index取词向量！
• 其为一个简单的存储固定大小的词典的嵌入向量的查找表，意思就是说，给一个编号，嵌入层就能返回这个编号对应的嵌入向量，嵌入向量反映了各个编号代表的符号之间的语义关系。输入为一个编号列表，输出为对应的符号嵌入向量列表。
• nn.embedding的输入只能是编号，不能是隐藏变量，比如one-hot，或者其它，这种情况，可以自己建一个自定义维度的线性网络层，参数训练可以单独训练或者跟随整个网络一起训练（看实验需要）

---

• 下面那仨都看看 其实主要就是用法，别的也无所谓

- 满足这个形式就可以做维度变换，因此RNN的三维数据也可以直接通过线性层，前N-1维一致即可

- 保障交叉熵的第一个输入是二维的且dim=1的维度上数量是classnum第二个输入target是一维的且与input的dim=0的尺寸一致，

• 搞清楚它俩的尺寸关系，有助于高分类，为什么直接把x输入线性层就能得到所有的线性映射，因为只看第一个和最后一个。

lstm gru的思路也是类似的，只不过更复杂一点，它俩效果差不多，但是gru的计算量小。

• 双向LSTM就是正向反向各做一次，然后做拼接

每一组，若干特征，若干组（有时序）用于预测一件事，如是否下雨，不是对特征的预测