深層学習 - LSTM は分類問題を解決します

RNNの基本入門

概要

リカレント ニューラル ネットワーク (RNN) は、主にテキスト、音声、時系列、および時間的関係を持つその他のデータなどの連続データを処理するために使用される深層学習モデルです。

本旨

RNN の重要なアイデアは、ネットワーク内で情報を受け渡しできるようにするループ構造を導入することです。従来のフィードフォワード ニューラル ネットワーク (フィードフォワード ニューラル ネットワーク) とは異なり、RNN はシーケンス データを処理するときに、以前の情報を保持して使用し、その後の出力に影響を与えます。

基本構造

RNN の基本構造は、入力と以前の隠れ状態を受け取り、出力と新しい隠れ状態を生成する「反復ユニット」と呼ばれるモジュールです。繰り返し単位の重みパラメータはタイム ステップ間で共有されるため、シーケンス内の異なる位置に同じ操作を適用できます。

計算プロセス

各タイム ステップでの RNN の計算プロセスは次のとおりです。
1. 現在のタイム ステップの入力と前のタイム ステップの隠れ状態を受け取ります。
2. これらの入力と隠れ状態を使用して、現在のタイム ステップでの出力を計算します。
3. 次のタイム ステップで使用できるように非表示状態を更新します。

アドバンテージ

RNN は再帰構造を備えているため、シーケンス データの処理中にメモリを維持し、シーケンス内の長期的な依存関係をキャプチャできます。これにより、RNN は言語モデリング、機械翻訳、音声認識、感情分析などの多くのタスクで優れたパフォーマンスを発揮します。

欠点がある

しかし、従来の RNN では、長期的な依存関係を扱う場合に勾配の消失や勾配の爆発が発生する問題があり、長距離の依存関係を捉えることが困難になります。

LSTM の基本的な紹介

概要

LSTM (Long Short-Term Memory、長期短期記憶ネットワーク) はリカレント ニューラル ネットワーク (RNN) の構造を改良したもので、従来の RNN における長期依存問題を解決するために使用されます。従来の RNN と比較して、LSTM にはゲート メカニズムが導入されており、シーケンス データの長期依存関係をより適切にキャプチャして処理できます。

本旨

LSTM の核となるアイデアは、入力ゲート、フォーゲット ゲート、出力ゲートという 3 つのゲート ユニットを導入することです。これらのゲート ユニットにより、LSTM ネットワークは情報を選択的に保持または破棄し、情報を渡すときに勾配の流れを効果的に制御できるようになります。

基本構造

LSTM の各ゲート ユニットの機能は次のとおりです。
1. 入力ゲート: 現在のタイム ステップの入力情報のどの部分を記憶する必要があるかを決定します。シグモイド関数を使用して、各入力の重要性を表す 0 から 1 までの値を生成します。
2. Forget Gate: 以前の非表示状態のどの情報を忘れる必要があるかを決定します。シグモイド関数を使用することにより、フォーゲット ゲートは現在のタイム ステップにおける以前の隠れ状態の重要性を制御できます。
3. 出力ゲート: 現在のタイム ステップの入力と前の隠れ状態に応じて、次のタイム ステップにどの程度の情報を出力するかを決定します。出力ゲートは、シグモイド関数を使用して隠れ状態の情報量を制御し、tanh 関数を使用して現在のタイム ステップで出力を生成します。

アドバンテージ

これらのゲート ユニットを使用することにより、LSTM ネットワークはシーケンス データを処理する際の情報の流れとメモリの保持を柔軟に制御できます。これにより、LSTM は長期的な依存関係をより適切に処理し、機械翻訳、音声認識、テキスト生成などのさまざまなシーケンス モデリング タスクで適切に実行できるようになります。

コードと詳細なコメント

import torch
from torch import nn
import torchvision.datasets as dsets
import torchvision.transforms as transforms
import matplotlib.pyplot as plt

# 可复现
# torch.manual_seed(1)    # reproducible

# Hyper Parameters
EPOCH = 1               # train the training data n times, to save time, we just train 1 epoch
# 批大小
BATCH_SIZE = 64
TIME_STEP = 28          # rnn time step / image height
INPUT_SIZE = 28         # rnn input size / image width
LR = 0.01               # learning rate
DOWNLOAD_MNIST = True   # set to True if haven't download the data


# Mnist digital dataset
train_data = dsets.MNIST(
    root='./mnist/',
    train=True,                         # this is training data
    transform=transforms.ToTensor(),    # Converts a PIL.Image or numpy.ndarray to
                                        # torch.FloatTensor of shape (C x H x W) and normalize in the range [0.0, 1.0]
    download=DOWNLOAD_MNIST,            # download it if you don't have it
)

# plot one example
print(train_data.train_data.size())     # (60000, 28, 28)
print(train_data.train_labels.size())   # (60000)
plt.imshow(train_data.train_data[0].numpy(), cmap='gray')
plt.title('%i' % train_data.train_labels[0])
plt.show()

# Data Loader for easy mini-batch return in training
train_loader = torch.utils.data.DataLoader(dataset=train_data, batch_size=BATCH_SIZE, shuffle=True)

# convert test data into Variable, pick 2000 samples to speed up testing
test_data = dsets.MNIST(root='./mnist/', train=False, transform=transforms.ToTensor())
test_x = test_data.test_data.type(torch.FloatTensor)[:2000]/255.   # shape (2000, 28, 28) value in range(0,1)
test_y = test_data.test_labels.numpy()[:2000]    # covert to numpy array


class RNN(nn.Module):
    def __init__(self):
        super(RNN, self).__init__()

        self.rnn = nn.LSTM(         # if use nn.RNN(), it hardly learns
            input_size=INPUT_SIZE,
            hidden_size=64,         # rnn hidden unit
            num_layers=1,           # number of rnn layer
            batch_first=True,       # input & output will has batch size as 1s dimension. e.g. (batch, time_step, input_size)
        )

        self.out = nn.Linear(64, 10)

    def forward(self, x):
        # 输入向量的形状
        # x shape (batch, time_step, input_size)
        # r_out shape (batch, time_step, output_size)
        # h_n shape (n_layers, batch, hidden_size)
        # h_c shape (n_layers, batch, hidden_size)
        r_out, (h_n, h_c) = self.rnn(x, None)   # None represents zero initial hidden state

        # choose r_out at the last time step
        # 选择输出最后一步的r_out
        out = self.out(r_out[:, -1, :])
        return out


rnn = RNN()
print(rnn)

optimizer = torch.optim.Adam(rnn.parameters(), lr=LR)   # optimize all cnn parameters
loss_func = nn.CrossEntropyLoss()                       # the target label is not one-hotted

# training and testing
for epoch in range(EPOCH):
    for step, (b_x, b_y) in enumerate(train_loader):        # gives batch data
        b_x = b_x.view(-1, 28, 28)              # reshape x to (batch, time_step, input_size)

        output = rnn(b_x)                               # rnn output
        loss = loss_func(output, b_y)                   # cross entropy loss
        optimizer.zero_grad()                           # clear gradients for this training step
        loss.backward()                                 # backpropagation, compute gradients
        optimizer.step()                                # apply gradients

        # 每训练50步之后，测试一下准确度
        if step % 50 == 0:
            test_output = rnn(test_x)                   # (samples, time_step, input_size)
            pred_y = torch.max(test_output, 1)[1].data.numpy()
            accuracy = float((pred_y == test_y).astype(int).sum()) / float(test_y.size)
            print('Epoch: ', epoch, '| train loss: %.4f' % loss.data.numpy(), '| test accuracy: %.2f' % accuracy)

# print 10 predictions from test data
test_output = rnn(test_x[:10].view(-1, 28, 28))
pred_y = torch.max(test_output, 1)[1].data.numpy()
print(pred_y, 'prediction number')
print(test_y[:10], 'real number')

演算結果