泉州公司网站建设,七台河网站网站建设,随州做网站,淘客怎么做推广网站简介 循环神经网络#xff08;Recurrent Neural Network, RNN#xff09;是一类以序列#xff08;sequence#xff09;数据为输入#xff0c;在序列的演进方向进行递归#xff08;recursion#xff09;且所有节点#xff08;循环单元#xff09;按链式连接的递归神经网…简介 循环神经网络Recurrent Neural Network, RNN是一类以序列sequence数据为输入在序列的演进方向进行递归recursion且所有节点循环单元按链式连接的递归神经网络recursive neural network [1] 。 对循环神经网络的研究始于二十世纪80-90年代并在二十一世纪初发展为深度学习deep learning算法之一 [2] 其中双向循环神经网络Bidirectional RNN, Bi-RNN和长短期记忆网络Long Short-Term Memory networksLSTM是常见的循环神经网络 [3] 。 目录 模型ForwardBackwardnn.RNNnn.RNNCell 一 模型 : t 时刻样本输入 : t 时刻样本隐藏状态 t时刻输出 : t时刻样本预测类别只有分类算法才有 : t 时刻损失函数 二 RNN 前向传播算法 Forward 2.1 t 时刻隐藏值 更新 其中激活函数通常用tanh 2.2 t 时刻输出 其中激活函数 为softmax 三 RNN 反向传播算法 BPTT(back-propagation through time) 3.1 输出层参数v,c梯度 3.2 隐藏层参数更新 定义 证明 对于最后一个时刻T 3.3 计算权重系数U,W,b 四 nn.RNN 这里面介绍PyTorch 使用RNN 类 4.1 更新规则 参数说明L时间序列长度T or 句子长度为 LNbatch_size d输入特征维度 # -*- coding: utf-8 -*-Created on Wed Jul 19 15:30:01 2023author: chengxf2
import torch
import torch.nn as nnrnn nn.RNN(input_size100, hidden_size5)
param rnn._parametersprint(\n 权重系数,param.keys())print(rnn.weight_ih_l0.shape)输出 RNN参数说明 参数 说明 input_size d 输入维度 hidden_sizeh 隐藏层维度 num_layers RNN默认是 1 层。该参数大于 1 时,会形成 Stacked RNN又称多层RNN或深度RNN nonlinearity 非线性激活函数。可以选择 tanh 或 relu bias 即偏置。默认启用 batch_first 选择让 batch_sizeN 作为输入的形状中的第一个参数。默认是 False,L × N × d 形状 当 batch_firstTrue 时 N × L × d dropout 即是否启用 dropout。如要启用则应设置 dropout 的概率此时除最后一层外RNN的每一层后面都会加上一个dropout层。默认是 0即不启用 bidirectional 即是否启用双向RNN默认关闭 4.2 单层例子
import torch.nn as nn
import torchrnn nn.RNN(input_size 100, hidden_size20, num_layers1)X torch.randn(10,3,100)h_0 torch.zeros(1,3,20)out,h rnn(X,h_0)print(\n out.shape,out.shape)print(\n h.shape,h.shape) out 包含每个时刻的 隐藏值 h : 最后一个时刻的隐藏值 4.3 多层RNN 把当前的隐藏层输出作为下一层的输入 第一个隐藏层输出 第二个隐藏层输出 # -*- coding: utf-8 -*-Created on Mon Jul 24 11:43:30 2023author: chengxf2
import torch.nn as nn
import torch
rnn nn.RNN(input_size100, hidden_size20, num_layers2)
print(rnn)x torch.randn(10,3,100) #默认是[L,N,d]结构out,h rnn(x)print(out.shape, h.shape) 5 nn.RNNCell nn.RNN封装了整个RNN实现的过程, PyTorch 还提供了 nn.RNNCell 可以
自己实现RNN 5.1 单层RNN # -*- coding: utf-8 -*-Created on Mon Jul 24 11:43:30 2023author: chengxf2import torch
from torch import nndef main():model nn.RNNCell(input_size10, hidden_size20)h1 torch.zeros(3,20)trainData torch.randn(8,3,10)for xt in trainData:h1 model(xt,h1)print(h1.shape)if __name__ __main__:main() 6.2 多层RNN # -*- coding: utf-8 -*-Created on Mon Jul 24 11:43:30 2023author: chengxf2import torch
from torch import nndef main():layer1 nn.RNNCell(input_size40, hidden_size30)layer2 nn.RNNCell(input_size30, hidden_size20)h1 torch.zeros(3,30)h2 torch.zeros(3,20)trainData torch.randn(8,3,40)for xt in trainData:h1 layer1(xt,h1)h2 layer2(h1,h2)print(h1.shape)print(h2.shape)if __name__ __main__:main() 参考
Pytorch 循环神经网络 nn.RNN() nn.RNNCell() nn.Parameter()不同方法实现_老光头_ME2CS的博客-CSDN博客
