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 >手把手教你自制编程AI:训练2小时,RNN就能写自己的代码

手把手教你自制编程AI:训练2小时,RNN就能写自己的代码

作者头像
AI科技大本营
发布2018-04-27 14:49:53
2.2K0
发布2018-04-27 14:49:53
举报
文章被收录于专栏:AI科技大本营的专栏

我们都知道,神经网络下围棋能赢柯洁、读X光照片好过医生、就连文本翻译上也快超过人类了……其实在写代码方面,神经网络也丝毫不落下风……用Linux源代码训练2小时,一个递归神经网络就能重写好它自己的代码,这是不是比程序员学得还快?

接下来的文章,AI开发者Thibault Neveu就要手把手教你做一个这样的神经网络。

作者 | Thibault Neveu

编译 | AI100

我认这很疯狂。开发者让神经网络学会了自己编程来重写它自己代码!好吧,咱们也试。

预备条件

  1. Tensorflow + 基本的深度学习技能
  2. 该项目的github代码库 - https://github.com/thibo73800/deep_generation/tree/master/c_code
  3. 我会在本文中快速回顾一下递归神经网络。但是,如果你对这个课题不甚了解,我相信以下两个资源能让你弄懂递归神经网络:

视频 - https://www.youtube.com/watch?v=iX5V1WpxxkY&t=2652s 文章 - http://colah.github.io/posts/2015-08-Understanding-LSTMs/

我不会在本文中详解本项目的所有环节。但我会仔细阐述其中的基本要点来让你理解整个项目。花点时间,亲手运行下文中给出的每一段代码,理解其中的逻辑。这很重要,毕竟,实践出真知。

接下来是正题,让我们开始吧!

数据库

跟其他监督训练一样,我们需要为神经网络提供一个数据集。这里我们使用C语言(如果用太简单的语言,就不好玩了)。我们直接用Linux github代码库中的c语言脚本作为训练数据。我已经把我们会用到的.c代码提取到本项目中。

代码地址-https://github.com/thibo73800/deep_generation/tree/master/c_code/dataset

首要问题:如何表示数据?

神经网络只能用于处理数字。对于其他形式的数据,它就无能为力了。因此,数据集中的每个字符都需要被翻译成这种形式(每个数字对应一个字符)。

示例:把字符转换为整数(int)

举例来说,这里用数字7表示字符“=”。为了在反向传播期间获得更好的收敛性,我们稍后会在独热编码(One-Hot Encoding)编码中表示每个数字。

# List all file in the dataset directory all_file = os.listdir("dataset") # Filter : Select only c file all_file_name = np.array([f for f in all_file if f.find(".c") != -1]) content = "" for name in all_file_name: with open(os.path.join("dataset", name), "r") as f: content += f.read() + "\n" # Convert the string into a list of interger vocab = set(content) vocab_to_int = {c: i for i, c in enumerate(vocab)} int_to_vocab = dict(enumerate(vocab)) encoded = np.array([vocab_to_int[c] for c in content], dtype=np.int32)

这里,需要记住的三个重要变量是:vocab_to_int、int_to_vocab和encoded。前两个变量是让我们能够字符和整数间随意转换。最后的变量是用编码器的形式来表示所有数据。(均已转换为数字)

第一个批函数

首先创建一个简单的批处理:由两个输入序列构成,每个序列10个数字。这一批处理将作为下文字符处理的一个示例。

batch = { "x" : [ encoded[:10], encoded[20:30] ], "y" : [ encoded[1:11], encoded[21:31] ] }

Batch Inputs : [20 6 58 27 6 27 97 86 56 49] [ 36 32 32 37 27 12 94 60 89 101] Batch Targets : [ 6 58 27 6 27 97 86 56 49 57] [ 32 32 37 27 12 94 60 89 101 77]

这就是批函数所处理的内容,翻译成字符如下:

['/', '*', '\n', ' ', '*', ' ', 'C', 'o', 'p', 'y'] ['2', '0', '0', '4', ' ', 'E', 'v', 'g', 'e', 'n']

现在,我们需要来处理一些数值。我们希望神经网络能够在上一个字符"n"已知的条件下预测出下一个字符。而且,不只是上一个字符。如果我告诉神经网络上一个字符是“e” ,下一个字符的可能性空间会非常大。但如果我能告诉神经网络前几个字符分别是 “w” 、“h”、 “i” 、“l” 和 “e” ,下一个要输入的字符很显然就是“(“。

因此,我们必须构建一个能够考虑字符时间间隔的神经网络。这就是递归神经网络。

递归神经网络?

为说明上述实例,我们用一个典型的分类器(上图左侧)来处理上一个字符;它被传递出蓝色的隐含层后,分类器就能推断出结果。递归神经网络在结构上则不同。每个红色的隐含层“细胞”不仅与输入相连,还与前一个“细胞”(instant t-1)相连。为了解决这里的问题,我们的“细胞”内部使用长短期记忆(LSTM)网络。

请花点时间来理解递归神经网络的原理,这样才能充分理解接下来的代码。

构建模型!

Tensorboard图

接下来的内容,我们将详述这一神经网络的5大部分。占位符在这里用作模型的一个入口。LSTM神经元初始化后用于生成递归神经网络。

输出层各自相连,用于估量模型的误差。最后,我们会定义训练内容。

1)图形输入

with tf.name_scope("graph_inputs"): inputs = tf.placeholder(tf.int32, [2, 10], name='placeholder_inputs') targets = tf.placeholder(tf.int32, [2, 10], name='placeholder_targets') keep_prob = tf.placeholder(tf.float32, name='placeholder_keep_prob')

这个批处理由两个大小为10的输入序列构成,因此输入的预期特征是[2, 10],批处理的每个入口都与单一输出相关联,目标的特征定义与此相同。最后,我们定义了一个用作概率值的占位符,用以表示后面的退出率(dropout)。

2)LSTM

with tf.name_scope("LSTM"): def create_cell(): lstm = tf.contrib.rnn.BasicLSTMCell(4) drop = tf.contrib.rnn.DropoutWrapper(lstm, output_keep_prob=keep_prob) return drop cell = tf.contrib.rnn.MultiRNNCell([create_cell() for _ in range(3)]) initial_state = cell.zero_state(2, tf.float32) io_size = len(vocab) x_one_hot = tf.one_hot(inputs, io_size) cell_outputs, final_state = tf.nn.dynamic_rnn(cell, x_one_hot, initial_state=initial_state)

让我们来学习这份代码的每一部分:

  • create_cell() 用于生成由4个隐神经元所构成的LSTM神经元。在返回结果前,该函数还在cell输出中添加了一个退出项(dropout)。
  • tf.contrib.rnn.MultiRNNCell用于实例化递归神经网络。我们把给出的create_cell()数组作为参数,是因为我们希望得到由多层网络构成的递归神经网络。本例为三层。
  • initial_state:已知递归神经网络的每个神经元都依赖于先前的状态,因此我们必须实例化一个全是零的初始状态,它将作为批处理首批入口的输入。
  • x_one_hot将batch转化为独热编码。
  • cell_outputs给出递归神经网络每个细胞的输出。在本例中,每个输出由4个数值(隐神经元个数)构成。
  • final_state返回最后一个细胞的状态,在训练期间可用作下一批处理的最新初始状态(假设下一个批处理是上一个批处理的逻辑延续)。

3)图形输出

with tf.name_scope("graph_outputs"): seq_output_reshape = tf.reshape(cell_outputs, [-1, 4], name="reshape_x") with tf.name_scope('output_layer'): w = tf.Variable(tf.truncated_normal((4, io_size), stddev=0.1), name="weights") b = tf.Variable(tf.zeros(io_size), name="bias") logits = tf.add(tf.matmul(seq_output_reshape , w), b, name= "logits") softmax = tf.nn.softmax(logits, name='predictions')

细胞的输出值被储存在一个三维特征表内[序列数,序列大小,神经元数],或为 [2, 10, 4]。我们无需按序列来分离输出。然后,改变输出值的维度以储存在seq_out_reshape的数组[20, 4]内。

最后,使用一个简单的线性运算:tf.matmul (..) + b。最后以softmax结尾,为的是用概率形式来表示输出。

4)损失

with tf.name_scope("Loss"): y_one_hot = tf.one_hot(targets, io_size, name="y_to_one_hot") y_reshaped = tf.reshape(y_one_hot, logits.get_shape(), name="reshape_one_hot") loss = tf.nn.softmax_cross_entropy_with_logits(logits=logits, labels=y_reshaped) loss = tf.reduce_mean(loss)

为进行误差运算,我们的批处理目标必须要表示成跟模型输出值相同的方法和维度。使用与输入相同的编码方式,我们用tf.one_hot来表示输出值。然后将数组tf.reshape ()的维度重写为与tf.matmul (..) + b的线性输出一样。而后,我们就可以用该函数来计算模型的误差。

5)训练

with tf.name_scope("train"): adam = tf.train.AdamOptimizer(0.0001) optimizer = adam.minimize(loss)

我们简单用AdamOptimize来最小化误差。

结果!

这是最值得庆祝的环节:训练结果。我所用到的参数如下:

  • 序列大小:100
  • 批处理大小:200
  • 每个细胞的神经元数: 512
  • 递归神经网络深度:2
  • 学习速度:0.0005
  • Dropout:0.5

在我的GPU(GeForce GTX 1060)上训练大约两小时后,所得结果如下图所示:

我们先来观察误差的变化:

最后,我们来阅读模型所生成的代码:

static int super_fold(struct mddev *mddev, void __user * *rd) { struct md_rdev *rdev; if (!tryet & gcov_ntreef(*stint)) { if (gc_th->max_sectors) if (task) goto next_start; if (!list_empty(&mddev->disks) { if (mddev->dev_sectors == 0 || mddev->chunk_sectors == 0 && mddev->minor_version != mddev->max_disks && mddev->dev_sectors rdev2->rescan_recovnr != 0) rdev->recovery_offset = mddev->curr_resync_completed; } } }

从结果上看,模型清楚地理解了该程序的一般结构,非常酷:一个函数、参数、变量初始化……条件,等等。

我们注意到,所用数据集中绝对没有那个名为“super_fold”的函数。因此,我很难理解这个函数的具体作用,一个较为合理的解释,是该模型要比我聪明……天哪!!

原文地址: https://becominghuman.ai/how-to-train-a-neural-network-to-code-by-itself-a432e8a120df

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:2017-06-12,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 AI科技大本营 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
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