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 tffrom 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。