tensorflow.python,tensorflow2.3.0支持的python

　　本文主要介绍python人工智能tensorflow构建循环神经网络RNN。有需要的朋友可以借鉴一下，希望能有所帮助。祝大家进步很大，早日升职加薪。

　　00-1010 RNN简介tensorflow中的RNN简介相关函数TF . nn . rnn _ cell . basiclstmcelltf . nn . dynamic _ rnn所有代码

学习前言

　　RN是最流行的神经网络之一，擅长处理序列数据。

　　什么是序列数据？比如说。

　　现在假设有四个词，“我”、“去”、“吃”、“吃”。我们可以任意排列组合。

　　“我要吃饭了”就是我要吃饭了。

　　“吃的时候吃我”是指饭菜精致。

　　“我要去吃饭”的意思是我要去吃饭“去吃饭”。

　　排列顺序不同会导致语义不同，序列数据代表的是按一定顺序排列的序列，一般有一定的含义。

　　我们知道抽象的概念，RNN有顺序存储，但是RNN是怎么知道这个概念的呢？

　　那么，我们来看一个传统的神经网络，也叫前馈神经网络。它有一个输入层、一个隐藏层和一个输出层。像这样

　　对于RNN，其结构图如下：

　　一个句子可以分成N部分。比如“我要去吃饭”可以分为四个字，“我”和“去”ldquo吃“饭”可以分别传到四个隐层，前一个隐层的一个输出会按照一定的比例传到后一个隐层。例如，在第一个“I”被输入到隐藏层之后，一个输出将根据w1的比率被输入到下一个隐藏层。当第二个“曲”进入隐层时，隐层也会收到“我”传递的信息。

　　以此类推，到最后一顿“饭”的时候，最后的输出会得到前面所有的信息。

　　它的伪代码形式是：

　　rnn=RNN()

　　ff=前馈神经网络()

　　hidden_state=[0，0，0]

　　对于输入：中的单词

　　output，hidden_state=rnn(word，hidden_state)

　　预测=ff(输出)

RNN简介

tensorflow中RNN的相关函数

　　tf.nn.rnn_cell。碱性细胞(

　　数量_单位，

　　激活=无，

　　重用=无，

　　name=无，

　　dtype=无，

　　* *克瓦查)

　　num _ units:RNN单位的神经元数量，即输出神经元的数量。激活：激活该功能。重用：描述是否在现有范围内重用变量。如果不为真，并且现有范围已经有了给定的变量，将会抛出一个错误。名称：层的名称。Dtype:这一层的数据类型。Kwargs:当从get_config()创建单元时，公共层属性的关键字命名属性，例如可训练。使用时，它可以定义为：

　　RNN _细胞=TF . nn . rnn _细胞。BasicRNNCell(n_hidden_units，activation=tf.nn.tanh)

　　定义完成后，可以初始化状态：

　　s="brush:py;">_init_state = RNN_cell.zero_state(batch_size,tf.float32)

tf.nn.dynamic_rnn

tf.nn.dynamic_rnn(
　　 cell,
　　 inputs,
　　 sequence_length=None,
　　 initial_state=None,
　　 dtype=None,
　　 parallel_iterations=None,
　　 swap_memory=False,
　　 time_major=False,
　　 scope=None
　　)

cell：上文所定义的lstm_cell。
inputs：RNN输入。如果time_major==false（默认），则必须是如下shape的tensor：[batch_size，max_time，…]或此类元素的嵌套元组。如果time_major==true，则必须是如下形状的tensor：[max_time，batch_size，…]或此类元素的嵌套元组。
sequence_length：Int32/Int64矢量大小。用于在超过批处理元素的序列长度时复制通过状态和零输出。因此，它更多的是为了性能而不是正确性。
initial_state：上文所定义的_init_state。
dtype：数据类型。
parallel_iterations：并行运行的迭代次数。那些不具有任何时间依赖性并且可以并行运行的操作将是。这个参数用时间来交换空间。值>>1使用更多的内存，但花费的时间更少，而较小的值使用更少的内存，但计算需要更长的时间。
time_major：输入和输出tensor的形状格式。如果为真，这些张量的形状必须是[max_time，batch_size，depth]。如果为假，这些张量的形状必须是[batch_size，max_time，depth]。使用time_major=true会更有效率，因为它可以避免在RNN计算的开始和结束时进行换位。但是，大多数TensorFlow数据都是批处理主数据，因此默认情况下，此函数为False。
scope：创建的子图的可变作用域；默认为RNN。

　　在RNN的最后，需要用该函数得出结果。

outputs,states = tf.nn.dynamic_rnn(RNN_cell,X_in,initial_state = _init_state,time_major = False)

　　返回的是一个元组 (outputs, state)：

　　outputs：RNN的最后一层的输出，是一个tensor。如果为time_major== False，则它的shape为[batch_size,max_time,cell.output_size]。如果为time_major== True，则它的shape为[max_time,batch_size,cell.output_size]。

　　states：states是一个tensor。state是最终的状态，也就是序列中最后一个cell输出的状态。一般情况下states的形状为 [batch_size, cell.output_size]，但当输入的cell为BasicLSTMCell时，states的形状为[2，batch_size, cell.output_size ]，其中2也对应着LSTM中的cell state和hidden state。

　　整个RNN的定义过程为：

def RNN(X,weights,biases):
　　 #X最开始的形状为(128 batch,28 steps,28 inputs)
　　 #转化为(128 batch*28 steps,128 hidden)
　　 X = tf.reshape(X,[-1,n_inputs])
　　 #经过乘法后结果为(128 batch*28 steps,256 hidden)
　　 X_in = tf.matmul(X,weights[in])+biases[in]
　　 #再次转化为(128 batch,28 steps,256 hidden) 
　　 X_in = tf.reshape(X_in,[-1,n_steps,n_hidden_units])
　　 RNN_cell = tf.nn.rnn_cell.BasicRNNCell(n_hidden_units,activation=tf.nn.tanh)
　　 _init_state = RNN_cell.zero_state(batch_size,tf.float32)
　　 outputs,states = tf.nn.dynamic_rnn(RNN_cell,X_in,initial_state = _init_state,time_major = False)
　　 results = tf.matmul(states,weights[out])+biases[out]
　　 return results

全部代码

　　该例子为手写体识别例子，将手写体的28行分别作为每一个step的输入，输入维度均为28列。

import tensorflow as tf 
　　from tensorflow.examples.tutorials.mnist import input_data
　　mnist = input_data.read_data_sets("MNIST_data",one_hot = "true")
　　lr = 0.001 #学习率
　　training_iters = 1000000 #学习世代数
　　batch_size = 128 #每一轮进入训练的训练量
　　n_inputs = 28 #输入每一个隐含层的inputs维度
　　n_steps = 28 #一共分为28次输入
　　n_hidden_units = 128 #每一个隐含层的神经元个数
　　n_classes = 10 #输出共有10个
　　x = tf.placeholder(tf.float32,[None,n_steps,n_inputs])
　　y = tf.placeholder(tf.float32,[None,n_classes])
　　weights = {
　　 in:tf.Variable(tf.random_normal([n_inputs,n_hidden_units])),
　　 out:tf.Variable(tf.random_normal([n_hidden_units,n_classes]))
　　}
　　biases = {
　　 in:tf.Variable(tf.constant(0.1,shape=[n_hidden_units])),
　　 out:tf.Variable(tf.constant(0.1,shape=[n_classes]))
　　}
　　def RNN(X,weights,biases):
　　 #X最开始的形状为(128 batch,28 steps,28 inputs)
　　 #转化为(128 batch*28 steps,128 hidden)
　　 X = tf.reshape(X,[-1,n_inputs])
　　 #经过乘法后结果为(128 batch*28 steps,256 hidden)
　　 X_in = tf.matmul(X,weights[in])+biases[in]
　　 #再次转化为(128 batch,28 steps,256 hidden) 
　　 X_in = tf.reshape(X_in,[-1,n_steps,n_hidden_units])
　　 RNN_cell = tf.nn.rnn_cell.BasicRNNCell(n_hidden_units,activation=tf.nn.tanh)
　　 _init_state = RNN_cell.zero_state(batch_size,tf.float32)
　　 outputs,states = tf.nn.dynamic_rnn(RNN_cell,X_in,initial_state = _init_state,time_major = False)
　　 results = tf.matmul(states,weights[out])+biases[out]
　　 return results
　　pre = RNN(x,weights,biases)
　　cost = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(logits = pre,labels = y))
　　train_op = tf.train.AdamOptimizer(lr).minimize(cost)
　　correct_pre = tf.equal(tf.argmax(y,1),tf.argmax(pre,1))
　　accuracy = tf.reduce_mean(tf.cast(correct_pre,tf.float32))
　　init = tf.initialize_all_variables()
　　with tf.Session() as sess:
　　 sess.run(init)
　　 step = 0
　　 while step*batch_size <training_iters:
　　 batch_xs,batch_ys = mnist.train.next_batch(batch_size)
　　 batch_xs = batch_xs.reshape([batch_size,n_steps,n_inputs])
　　 sess.run(train_op,feed_dict = {
　　 x:batch_xs,
　　 y:batch_ys
　　 })
　　 if step%20 == 0:
　　 print(sess.run(accuracy,feed_dict = {
　　 x:batch_xs,
　　 y:batch_ys
　　 }))
　　 step += 1

　　以上就是python人工智能tensorflow构建循环神经网络RNN的详细内容，更多关于tensorflow构建循环神经网络RNN的资料请关注盛行IT软件开发工作室其它相关文章！

郑重声明：本文由网友发布，不代表盛行IT的观点，版权归原作者所有，仅为传播更多信息之目的，如有侵权请联系，我们将第一时间修改或删除，多谢。