tensorflow（13）RNN（循环神经网络或递归神经）、LSTM

理论讲解

RNN：语音识别、自然语言处理，机器翻译，图像描述等方面应用。

RNN缺点：部分信息会随着网络逐渐递减，好的信息，不好的信息它都会记住。

递归神经网络RNN和BP神经网络的区别：

不同点：递归神经网络L有反馈回路，可以记住上一次的输出，并作为下一次的输入之一，BP神经网络没有反馈回路。
相同点：都有梯度消失的问题，之前输入的数据会随着时间的流逝，信号会不断的衰弱，对决策的影响越来越小。
所以1：使用y=x的激活函数，则不会出现梯度消失问题，但是网络会一直往下传播，重要的信息也记住，不重要的也记住。正确的应该正确的记住，错误的忘记,于是诞生了LSTM网络。
所以2：权值和偏置值只设定一对就可以，其他没有设定的，tensorflow会自动为我们设置。

LSTM（Long Short Term Memory）：选择性记忆有用的信息。输入门，输出门，忘记门（经过大量数据进行训练）；

门的作用：判断信号是否有用，然后才会进行输入

代码：


import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
from tensorflow.contrib import rnn
# 载入数据
mnist = input_data.read_data_sets('MNIST_data', one_hot=True)

# 输入图片是28*28
n_inputs = 28  # 对应图片的一行，一行有28个数据 输入到神经网络
max_time = 28  # 图片序列，28次输入，每次输入一行，一共有28行
lstm_size = 100  # 隐藏单元，实质不是神经元，应该的说法是比神经元复杂的（LSTM）
n_classes = 10  # 10个分类
batch_size = 50  # 每批次有50个样本
n_batch = mnist.train.num_examples // batch_size

# 这里的None表示第一个唯独可以是任意长度 None=50
x = tf.placeholder(tf.float32, [None, 784])
# 正确的标签
y = tf.placeholder(tf.float32, [None, 10])

# 初始化权值
weights = tf.Variable(tf.truncated_normal([lstm_size, n_classes], stddev=0.1))
# 初始化偏置值
biases = tf.Variable(tf.constant(0.1, shape=[n_classes]))


# 定义RNN网络
def RNN(X, weights, biases):
    # inputs = [batch_size, max_time, n_inout]
    inputs = tf.reshape(X, [-1, max_time, n_inputs])
    # 定义LSTM基本CELL
    #lstm_cell = tf.contrib.rnn.core_rnn_cell.BasicLSTMCell(lstm_size)#这句话出现bug
    lstm_cell = rnn.BasicLSTMCell(lstm_size) #Bug的修复
    #final_state[state,batch_size,cell.state_size]
    # final_state[0] 是cell state
    # final_state[1] 是hidden_state
    #outputs的描述
#     outputs: The RNN output `Tensor`.
#     If time_major == False (default), this will be a `Tensor` shaped:
#       `[batch_size, max_time, cell.output_size]`.
#     If time_major == True, this will be a `Tensor` shaped:
#       `[max_time, batch_size, cell.output_size]`.
    outputs, final_state = tf.nn.dynamic_rnn(lstm_cell,inputs,dtype=tf.float32)#final_state
    results = tf.nn.softmax(tf.matmul(final_state[1], weights) + biases)
    return results


# 计算RNN的返回结果  x：placehoder 相当于一个批次的训练数据
prediction = RNN(x, weights, biases)
# 损失函数
cross_entropy = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=y, logits=prediction))
# 使用AdamOptimizer进行优化
train_step = tf.train.AdamOptimizer(1e-4).minimize(cross_entropy)
# 结果放在一个布尔型列表中
crroect_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(prediction, 1))
# 求准确率
accuracy = tf.reduce_mean(tf.cast(crroect_prediction, tf.float32))
# 初始化
init = tf.global_variables_initializer()

with tf.Session() as sess:
    sess.run(init)
    for epoch in range(6):
        for batch in range(n_batch):
            batch_xs, batch_ys = mnist.train.next_batch(batch_size)
            sess.run(train_step, feed_dict={x: batch_xs, y: batch_ys})

        acc = sess.run(accuracy, feed_dict={x: mnist.test.images, y: mnist.test.labels})
        print("Iter " + str(epoch) + ", Testing Accuracy= " + str(acc))

结果：

Bug及调试：

#1.0版本改了很多
            #原代码是这样的：
            lstm_cell = tf.contrib.rnn.core_rnn_cell.BasicLSTMCell(lstm_size)
            #应该改为：
            from tensorflow.contrib import rnn

lstm_cell = rnn.BasicLSTMCell(lstm_size)

tensorflow（13）RNN（循环神经网络或递归神经）、LSTM

理论讲解

代码：

猜你喜欢