一、循环神经元

循环神经网络和前馈神经网络非常类似，只是在其基础上添加了反向链接，下图为一个最简单的循环神经网络，它由一个神经元接受输入，产生输出并将该输出返送给自身。

RNN通常用来处理序列数据，训练样本的格式为 X = x(1)x(2)x(3)…x(t-1)x(t)，在每个时间步t，该循环神经元接收x(t)和前一个时间步长的输出y(t-1)的输出，产生当前输出y(t)(不准确，后文会解释)。如下图所示，注意：所有的这些操作都是在同一个神经元上完成的（共享w和b）

RNN的记忆能力从何而来：在时间步长t时递归神经元的输出是先前神经元中所有输入的函数。

为什么说不准确，因为时间步t-1传递给时间步t的并不是y(t-1)，而是时间步t-1的单元状态h(t-1)。是不是不太好理解？看一下下图就明白了，y(t)是时间步t的输出y(t) ，h(t)=(h(t-1)，x(t)) 是时间步t的单元状态，当前我们讨论的基本单元而言，输出等于状态，但在复杂的神经单元中h(t)是不等于y(t)的！总而言之传递的是单元状态！！！

我们来举个例子总结一下，假设我们要用1月1日-1月29日的气温，去预测1月30号的，那么我们就拥有了一个长度为29的由每天气温值组成个序列，X=x(0)x(1)……x(28)，其中x(i)称为一个时间步(也称为时间帧)，在我们的例子中x(i)代表1月i号的气温是一个数值(本例中是数值，其他应用中可也能是向量——如果去做公司收益预测，因为收益一天中的有多种因素决定的，那么x(i)就是一个向量了),讲X数据循环神经元，keras首先会将x(0)和前一时间步的单元状态(出始状态为0)输入神经元，得到y(1)和h(1)，接着将h(1)和x(1)输入神经元得到y(2),h(2)……

二、keras实现RNN

2.1简单RNN

我们首先实现一个最简单的RNN:

 model = keras.models.Sequential([
     keras.layers.SimpleRNN(1, input_shape=[None, 1])
])
#RNN神经元不需要指定输入序列的长度。所以input_shape的第一个参数可以是none

keras.layers.SimpleRNN 具体借口如下：

“”“
keras.layers.SimpleRNN(
               units,
               activation='tanh',
               use_bias=True,
               kernel_initializer='glorot_uniform',
               recurrent_initializer='orthogonal',
               bias_initializer='zeros',
               kernel_regularizer=None,
               recurrent_regularizer=None,
               bias_regularizer=None,
               activity_regularizer=None,
               kernel_constraint=None,
               recurrent_constraint=None,
               bias_constraint=None,
               dropout=0.,
               recurrent_dropout=0.,
               return_sequences=False,
               return_state=False,
               go_backwards=False,
               stateful=False,
               unroll=False
)
units：神经元输出的维度（例如input_shape=[10,1]，units=3 会改变最后一位使其变为3）
return_sequences：Keras中的循环层仅返回最终输出y(t)。要使它们每个时间步长返
回一个输出(输出结果y(1)y(2)……y(t))，必须设置return_sequences=True。
”“”

2.2深度RNN

model = keras.models.Sequential([
    keras.layers.SimpleRNN(20, return_sequences=True, input_shape=[None, 1]),
    keras.layers.SimpleRNN(20,return_sequences=True),
    keras.layers.SimpleRNN(20),
    keras.layers.Dense(1)
])

输出的模型摘要如下：

这段代码实现了一个简单的网络，该网络堆叠了三个循环层和一个全连接层，具体如下：

让我们对这段代码做一点更改，删除第二个循环层中的return_sequences=True看看会发生什么，运行后发现会报错

model = keras.models.Sequential([
    keras.layers.SimpleRNN(20, return_sequences=True, input_shape=[None, 1]),
    keras.layers.SimpleRNN(20),
    keras.layers.SimpleRNN(20),
    keras.layers.Dense(1)
])

报错内容如下：

这是为什么？？？

RNN输入数据入下图所示，我们必须始终提供一个3D张量作为输入

输出格式为(None, None, 20) 的3D张量(batch_size,time_stamp,units)

输出格式为(None, 20) 的2D张量(batch_size,units)

为什么：还记得之前说的 return_sequences的作用嘛，默认情况下return_sequences=false，即只返回时间步t的输出y(t)

综上所述：rnn_2希望收到一个3D张量作为数据，而rnn_1的out_put是2D张量，所以报错。

总结：

RNN输入总是一个 3D 数组。 (batch_size, time_steps, units)
RNN 的输出可以是 2D 数组或 3D 数组，具体取决于 return_sequences。
1、return_sequence=False，则输出为二维数组。(batch_size, units)
2、return_sequence=True，则输出为 3D 数组。batch_size, time_steps, units)

机器学习实战(第二版)读书笔记(1)——循环神经网络（RNN）

一、循环神经元

二、keras实现RNN

2.1简单RNN

2.2深度RNN

猜你喜欢