tensorflow.python,tensorflow2.3.0支持的python

  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

  

目录

  卷积神经网络的复习已经在前段时间完成了,现在需要对循环神经网络的结构进行更深入的定义。

  

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。

留言与评论(共有 条评论)
   
验证码: