前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >TensorFlow 中 RNN 实现的正确打开方式

TensorFlow 中 RNN 实现的正确打开方式

作者头像
AI研习社
发布2018-03-19 14:38:03
1.3K0
发布2018-03-19 14:38:03
举报
文章被收录于专栏:AI研习社

上周写的文章《完全图解 RNN、RNN 变体、Seq2Seq、Attention 机制》介绍了一下 RNN 的几种结构,今天就来聊一聊如何在 TensorFlow 中实现这些结构。这篇文章的主要内容为:

  • 一个完整的、循序渐进的学习 TensorFlow 中 RNN 实现的方法。这个学习路径的曲线较为平缓,应该可以减少不少学习精力,帮助大家少走弯路。
  • 一些可能会踩的坑
  • TensorFlow 源码分析
  • 一个 Char RNN 实现示例,可以用来写诗,生成歌词,甚至可以用来写网络小说!(项目地址:https://github.com/hzy46/Char-RNN-TensorFlow)

一、学习单步的 RNN:RNNCell

如果要学习 TensorFlow 中的 RNN,第一站应该就是去了解 “RNNCell”,它是 TensorFlow 中实现 RNN 的基本单元,每个 RNNCell 都有一个 call 方法,使用方式是:(output, next_state) = call(input, state)。

借助图片来说可能更容易理解。假设我们有一个初始状态 h0,还有输入 x1,调用 call(x1, h0) 后就可以得到 (output1, h1):

再调用一次 call(x2, h1) 就可以得到 (output2, h2):

也就是说,每调用一次 RNNCell 的 call 方法,就相当于在时间上 “推进了一步”,这就是 RNNCell 的基本功能。

在代码实现上,RNNCell 只是一个抽象类,我们用的时候都是用的它的两个子类 BasicRNNCell 和 BasicLSTMCell。顾名思义,前者是 RNN 的基础类,后者是 LSTM 的基础类。这里推荐大家阅读其源码实现(地址:http://t.cn/RNJrfMl),一开始并不需要全部看一遍,只需要看下 RNNCell、BasicRNNCell、BasicLSTMCell 这三个类的注释部分,应该就可以理解它们的功能了。

除了 call 方法外,对于 RNNCell,还有两个类属性比较重要:

  • state_size
  • output_size

前者是隐层的大小,后者是输出的大小。比如我们通常是将一个 batch 送入模型计算,设输入数据的形状为 (batch_size, input_size),那么计算时得到的隐层状态就是 (batch_size, state_size),输出就是 (batch_size, output_size)。

可以用下面的代码验证一下(注意,以下代码都基于 TensorFlow 最新的 1.2 版本):

import tensorflow as tf import numpy as np cell = tf.nn.rnn_cell.BasicRNNCell(num_units=128) # state_size = 128 print(cell.state_size) # 128 inputs = tf.placeholder(np.float32, shape=(32, 100)) # 32 是 batch_size h0 = cell.zero_state(32, np.float32) # 通过 zero_state 得到一个全 0 的初始状态,形状为 (batch_size, state_size) output, h1 = cell.call(inputs, h0) #调用 call 函数 print(h1.shape) # (32, 128)

对于 BasicLSTMCell,情况有些许不同,因为 LSTM 可以看做有两个隐状态 h 和 c,对应的隐层就是一个 Tuple,每个都是 (batch_size, state_size) 的形状:

import tensorflow as tf import numpy as np lstm_cell = tf.nn.rnn_cell.BasicLSTMCell(num_units=128) inputs = tf.placeholder(np.float32, shape=(32, 100)) # 32 是 batch_size h0 = lstm_cell.zero_state(32, np.float32) # 通过 zero_state 得到一个全 0 的初始状态 output, h1 = lstm_cell.call(inputs, h0) print(h1.h) # shape=(32, 128) print(h1.c) # shape=(32, 128)

二、学习如何一次执行多步:tf.nn.dynamic_rnn

基础的 RNNCell 有一个很明显的问题:对于单个的 RNNCell,我们使用它的 call 函数进行运算时,只是在序列时间上前进了一步。比如使用 x1、h0 得到 h1,通过 x2、h1 得到 h2 等。这样的 h 话,如果我们的序列长度为 10,就要调用 10 次 call 函数,比较麻烦。对此,TensorFlow 提供了一个 tf.nn.dynamic_rnn 函数,使用该函数就相当于调用了 n 次 call 函数。即通过 {h0,x1, x2, …., xn} 直接得 {h1,h2…,hn}。

具体来说,设我们输入数据的格式为 (batch_size, time_steps, input_size),其中 time_steps 表示序列本身的长度,如在 Char RNN 中,长度为 10 的句子对应的 time_steps 就等于 10。最后的 input_size 就表示输入数据单个序列单个时间维度上固有的长度。另外我们已经定义好了一个 RNNCell,调用该 RNNCell 的 call 函数 time_steps 次,对应的代码就是:

# inputs: shape = (batch_size, time_steps, input_size) # cell: RNNCell # initial_state: shape = (batch_size, cell.state_size)。初始状态。一般可以取零矩阵 outputs, state = tf.nn.dynamic_rnn(cell, inputs, initial_state=initial_state)

此时,得到的 outputs 就是 time_steps 步里所有的输出。它的形状为 (batch_size, time_steps, cell.output_size)。state 是最后一步的隐状态,它的形状为 (batch_size, cell.state_size)。

此处建议大家阅读 tf.nn.dynamic_rnn 的文档(地址:https://www.tensorflow.org/api_docs/python/tf/nn/dynamic_rnn)做进一步了解。

三、学习如何堆叠 RNNCell:MultiRNNCell

很多时候,单层 RNN 的能力有限,我们需要多层的 RNN。将 x 输入第一层 RNN 的后得到隐层状态 h,这个隐层状态就相当于第二层 RNN 的输入,第二层 RNN 的隐层状态又相当于第三层 RNN 的输入,以此类推。在 TensorFlow 中,可以使用 tf.nn.rnn_cell.MultiRNNCell 函数对 RNNCell 进行堆叠,相应的示例程序如下:

import tensorflow as tf import numpy as np # 每调用一次这个函数就返回一个 BasicRNNCell def get_a_cell(): return tf.nn.rnn_cell.BasicRNNCell(num_units=128) # 用 tf.nn.rnn_cell MultiRNNCell 创建 3 层 RNN cell = tf.nn.rnn_cell.MultiRNNCell([get_a_cell() for _ in range(3)]) # 3 层 RNN # 得到的 cell 实际也是 RNNCell 的子类 # 它的 state_size 是 (128, 128, 128) # (128, 128, 128) 并不是 128x128x128 的意思 # 而是表示共有 3 个隐层状态,每个隐层状态的大小为 128 print(cell.state_size) # (128, 128, 128) # 使用对应的 call 函数 inputs = tf.placeholder(np.float32, shape=(32, 100)) # 32 是 batch_size h0 = cell.zero_state(32, np.float32) # 通过 zero_state 得到一个全 0 的初始状态 output, h1 = cell.call(inputs, h0) print(h1) # tuple 中含有 3 个 32x128 的向量

通过 MultiRNNCell 得到的 cell 并不是什么新鲜事物,它实际也是 RNNCell 的子类,因此也有 call 方法、state_size 和 output_size 属性。同样可以通过 tf.nn.dynamic_rnn 来一次运行多步。

此处建议阅读 MutiRNNCell 源码(地址:http://t.cn/RNJrfMl)中的注释进一步了解其功能。

四、可能遇到的坑 1:Output 说明

在经典 RNN 结构中有这样的图:

在上面的代码中,我们好像有意忽略了调用 call 或 dynamic_rnn 函数后得到的 output 的介绍。将上图与 TensorFlow 的 BasicRNNCell 对照来看。h 就对应了 BasicRNNCell 的 state_size。那么,y 是不是就对应了 BasicRNNCell 的 output_size 呢?答案是否定的。

找到源码中 BasicRNNCell 的 call 函数实现:

def call(self, inputs, state): """Most basic RNN: output = new_state = act(W * input + U * state + B).""" output = self._activation(_linear([inputs, state], self._num_units, True)) return output, output

这句 “return output, output” 说明在 BasicRNNCell 中,output 其实和隐状态的值是一样的。因此,我们还需要额外对输出定义新的变换,才能得到图中真正的输出 y。由于 output 和隐状态是一回事,所以在 BasicRNNCell 中,state_size 永远等于 output_size。TensorFlow 是出于尽量精简的目的来定义 BasicRNNCell 的,所以省略了输出参数,我们这里一定要弄清楚它和图中原始 RNN 定义的联系与区别。

再来看一下 BasicLSTMCell 的 call 函数定义(函数的最后几行):

new_c = ( c * sigmoid(f + self._forget_bias) + sigmoid(i) * self._activation(j)) new_h = self._activation(new_c) * sigmoid(o) if self._state_is_tuple: new_state = LSTMStateTuple(new_c, new_h) else: new_state = array_ops.concat([new_c, new_h], 1) return new_h, new_state

我们只需要关注 self._state_is_tuple == True 的情况,因为 self._state_is_tuple == False 的情况将在未来被弃用。返回的隐状态是 new_c 和 new_h 的组合,而 output 就是单独的 new_h。如果我们处理的是分类问题,那么我们还需要对 new_h 添加单独的 Softmax 层才能得到最后的分类概率输出。

还是建议大家亲自看一下源码实现(地址:http://t.cn/RNJsJoH)来搞明白其中的细节。

五、可能遇到的坑 2:因版本原因引起的错误

在前面我们讲到堆叠 RNN 时,使用的代码是:

# 每调用一次这个函数就返回一个 BasicRNNCell def get_a_cell(): return tf.nn.rnn_cell.BasicRNNCell(num_units=128) # 用 tf.nn.rnn_cell MultiRNNCell 创建 3 层 RNN cell = tf.nn.rnn_cell.MultiRNNCell([get_a_cell() for _ in range(3)]) # 3 层 RNN

这个代码在 TensorFlow 1.2 中是可以正确使用的。但在之前的版本中(以及网上很多相关教程),实现方式是这样的:

one_cell = tf.nn.rnn_cell.BasicRNNCell(num_units=128) cell = tf.nn.rnn_cell.MultiRNNCell([one_cell] * 3) # 3 层 RNN

如果在 TensorFlow 1.2 中还按照原来的方式定义,就会引起错误!

六、一个练手项目:Char RNN

上面的内容实际上就是 TensorFlow 中实现 RNN 的基本知识了。这个时候,建议大家用一个项目来练习巩固一下。此处特别推荐 Char RNN 项目,这个项目对应的是经典的 RNN 结构,实现它使用的 TensorFlow 函数就是上面说到的几个,项目本身又比较有趣,可以用来做文本生成,平常大家看到的用深度学习来写诗写歌词的基本用的就是它了。

Char RNN 的实现已经有很多了,可以自己去 Github 上面找,我这里也做了一个实现,供大家参考。项目地址为:hzy46/Char-RNN-TensorFlow(地址:https://github.com/hzy46/Char-RNN-TensorFlow)。代码的部分实现来自于《安娜卡列尼娜文本生成——利用 TensorFlow 构建 LSTM 模型》

这篇专栏,在此感谢 @天雨粟 。

我主要向代码中添加了 embedding 层,以支持中文,另外重新整理了代码结构,将 API 改成了最新的 TensorFlow 1.2 版本。

可以用这个项目来写诗(以下诗句都是自动生成的):

何人无不见,此地自何如。 一夜山边去,江山一夜归。 山风春草色,秋水夜声深。 何事同相见,应知旧子人。 何当不相见,何处见江边。 一叶生云里,春风出竹堂。 何时有相访,不得在君心。

还可以生成代码:

static int page_cpus(struct flags *str) { int rc; struct rq *do_init; }; /* * Core_trace_periods the time in is is that supsed, */ #endif/* * Intendifint to state anded. */ int print_init(struct priority *rt) { /* Comment sighind if see task so and the sections */ console(string, &can); }

此外生成英文更不是问题(使用莎士比亚的文本训练):

LAUNCE: The formity so mistalied on his, thou hast she was to her hears, what we shall be that say a soun man Would the lord and all a fouls and too, the say, That we destent and here with my peace. PALINA: Why, are the must thou art breath or thy saming, I have sate it him with too to have me of I the camples.

最后,如果你脑洞够大,还可以来做一些更有意思的事情,比如我用了著名的网络小说《斗破苍穹》训练了一个 RNN 模型,可以生成下面的文本:

闻言,萧炎一怔,旋即目光转向一旁的那名灰袍青年,然后目光在那位老者身上扫过,那里,一个巨大的石台上,有着一个巨大的巨坑,一些黑色光柱,正在从中,一道巨大的黑色巨蟒,一股极度恐怖的气息,从天空上暴射而出 ,然后在其中一些一道道目光中,闪电般的出现在了那些人影,在那种灵魂之中,却是有着许些强者的感觉,在他们面前,那一道道身影,却是如同一道黑影一般,在那一道道目光中,在这片天地间,在那巨大的空间中,弥漫而开…… “这是一位斗尊阶别,不过不管你,也不可能会出手,那些家伙,可以为了这里,这里也是能够有着一些异常,而且他,也是不能将其他人给你的灵魂,所以,这些事,我也是不可能将这一个人的强者给吞天蟒,这般一次,我们的实力,便是能够将之击杀……” “这里的人,也是能够与魂殿强者抗衡。” 萧炎眼眸中也是掠过一抹惊骇,旋即一笑,旋即一声冷喝,身后那些魂殿殿主便是对于萧炎,一道冷喝的身体,在天空之上暴射而出,一股恐怖的劲气,便是从天空倾洒而下。 “嗤!”

还是挺好玩的吧,另外还尝试了生成日文等等。

七、学习完整版的 LSTMCell

上面只说了基础版的 BasicRNNCell 和 BasicLSTMCell。TensorFlow 中还有一个 “完全体” 的 LSTM:LSTMCell。这个完整版的 LSTM 可以定义 peephole,添加输出的投影层,以及给 LSTM 的遗忘单元设置 bias 等,可以参考其源码(地址:https://github.com/tensorflow/tensorflow/blob/master/tensorflow/python/ops/rnn_cell_impl.py#L417)了解使用方法。

八、学习最新的 Seq2Seq API

Google 在 TensorFlow 的 1.2 版本(1.3.0 的 rc 版已经出了,貌似正式版也要出了,更新真是快)中更新了 Seq2Seq API,使用这个 API 我们可以不用手动地去定义 Seq2Seq 模型中的 Encoder 和 Decoder。此外它还和 1.2 版本中的新数据读入方式 Datasets 兼容。可以阅读此处的文档(地址:http://www.tensorflow.org/api_docs/python/tf/contrib/seq2seq)学习它的使用方法。

九、总结

最后简单地总结一下,这篇文章提供了一个学习 TensorFlow RNN 实现的详细路径,其中包括了学习顺序、可能会踩的坑、源码分析以及一个示例项目 hzy46/Char-RNN-TensorFlow(地址:https://github.com/hzy46/Char-RNN-TensorFlow),希望能对大家有所帮助。

本文参与 腾讯云自媒体同步曝光计划,分享自微信公众号。
原始发表:2017-09-13,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 AI研习社 微信公众号,前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
目录
  • 一、学习单步的 RNN:RNNCell
  • 二、学习如何一次执行多步:tf.nn.dynamic_rnn
  • 三、学习如何堆叠 RNNCell:MultiRNNCell
  • 四、可能遇到的坑 1:Output 说明
  • 五、可能遇到的坑 2:因版本原因引起的错误
  • 六、一个练手项目:Char RNN
  • 七、学习完整版的 LSTMCell
  • 八、学习最新的 Seq2Seq API
  • 九、总结
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档