继续玩我们的计算图框架。这一次我们运用计算图搭建递归神经网络（RNN，Recursive Neural Network）。RNN 处理前后有承接关系的序列状数据，例如时序数据。当然，前后的承接也不一定是时间上的，但总之是有前后关系的序列。
RNN
RNN 的思想是：网络也分步，每步以输入序列的该步数据（向量）和上一步数据（第一步没有）为输入，进行变换，得到这一步的输出（向量）。这样的话，序列的每一步就会对下一步产生影响。RNN 用变换的参数把握序列每一步之间的关系。最后一步的输出可以送给全连接层，最终用于分类或回归。RNN 有很多种，有一些复杂的变体，本文搭建一种最简单的 RNN ，它的结构是这样的：
蓝色长条表示 m 维输入向量，一共 n 个。这表示数据是长度为 n 的序列，每一步是一个 m 维向量。绿色的矩形就是每一步的变换。yi 是每一步的 k 维输出向量。每一步用 k x k 的权值矩阵 Y 去乘前一步的输出向量（第一步没有），用 k x m 的权值矩阵 W 去乘这一步的输入向量，加和后再加上 k 维偏置向量 b ，施加激活函数 ϕ （我们取 ReLU），就得到这一步的输出。
最后一步的输出也是 k 维向量，把它送给全连接层，最后施加 SoftMax 后得到各个类别的概率，再接上一个交叉熵损失就可以用来训练分类问题了。用我们的计算图框架可以这样搭建这个简单的 RNN（代码）：
seq_len = 96 # 序列长度dimension = 16 # 序列每一步的向量维度hidden_dim = 12 # RNN 时间单元的输出维度
# 时间序列变量，每一步一个 dimension 维向量（Variable 节点），保存在数组 input 中input_vectors = []for i in range(seq_len): input_vectors.append(Variable(dim=(dimension, 1), init=False, trainable=False)) # 对于本步输入的权值矩阵W = Variable(dim=(hidden_dim, dimension), init=True, trainable=True)
# 对于上步输入的权值矩阵Y = Variable(dim=(hidden_dim, hidden_dim), init=True, trainable=True)
# 偏置向量b = Variable(dim=(hidden_dim, 1), init=True, trainable=True)
# 构造 RNNlast_step = None # 上一步的输出，第一步没有上一步，先将其置为 Nonefor iv in input_vectors: y = Add(MatMul(W, iv), b)
if last_step is not None: y = Add(MatMul(Y, last_step), y)
y = ReLU(y)
last_step = y
fc1 = fc(y, hidden_dim, 6, "ReLU") # 第一全连接层fc2 = fc(fc1, 6, 2, "None") # 第二全连接层
# 分类概率prob = SoftMax(fc2)
# 训练标签label = Variable((2, 1), trainable=False)
# 交叉熵损失loss = CrossEntropyWithSoftMax(fc2, label)
这就是构造 RNN 以及交叉熵损失的计算图的代码，很简单，right ？有了计算图以及自动求导，我们只管搭建网络即可，网络的训练就交给计算图去做了。否则你可以想象，按照示意图表示的计算，推导交叉熵损失对 RNN 的各个权值矩阵和偏置的梯度是多么困难。
时间序列问题
我们构造一份数据，它包含两类时间序列，一类是方波，一类是正弦波，代码如下：
def get_sequence_data(number_of_classes=2, dimension=10, length=10, number_of_examples=1000, train_set_ratio=0.7, seed=42): """ 生成两类序列数据。 """ xx = [] xx.append(np.sin(np.arange(0, 10, 10 / length))) # 正弦波 xx.append(np.array(signal.square(np.arange(0, 10, 10 / length)))) # 方波
data = [] for i in range(number_of_classes): x = xx[i] for j in range(number_of_examples): sequence = x + np.random.normal(0, 1.0, (dimension, len(x))) # 加入高斯噪声 label = np.array([int(i == j) for j in range(number_of_classes)])
data.append(np.c_[sequence.reshape(1, -1), label.reshape(1, -1)])
# 把各个类别的样本合在一起 data = np.concatenate(data, axis=0)
# 随机打乱样本顺序 np.random.shuffle(data)
# 计算训练样本数量 train_set_size = int(number_of_examples * train_set_ratio) # 训练集样本数量
# 将训练集和测试集、特征和标签分开 return (data[:train_set_size, :-number_of_classes], data[:train_set_size, -number_of_classes:], data[train_set_size:, :-number_of_classes], data[train_set_size:, -number_of_classes:])
我们用这一行代码获取长度为 96 ，维度为 16 的两类（各 1000 个）序列：
# 获取两类时间序列：正弦波和方波train_x, train_y, test_x, test_y = get_sequence_data(length=seq_len, dimension=dimension)
看一看时间序列样本，先看正弦波：
正弦波序列
这是一个正弦波时间序列样本，它包含 16 条曲线，每一条都是 sin 曲线加噪声。之所以包含 16 条曲线，因为我们的时间序列的每一步是一个 16 维向量，按时间列起来就有了 16 条正弦曲线。正弦波时间序列是我们的正样本。方波时间序列是负样本：
方波序列
一个方波时间序列先维持 +1 一段时间，变为 -1 维持一段时间，再回到 +1 ，循环往复。由于我们的高斯噪声加得较大，可以看到正弦波和方波还是有可能混淆的，但也能看出它们之间的差异。
训练
现在就用我们构造的 RNN 训练一个分类模型，分类正弦波和方波，代码如下：
from sklearn.metrics import accuracy_score
from layer import *from node import *from optimizer import *
seq_len = 96 # 序列长度dimension = 16 # 序列每一步的向量维度hidden_dim = 12 # RNN 时间单元的输出维度
# 获取两类时间序列：正弦波和方波train_x, train_y, test_x, test_y = get_sequence_data(length=seq_len, dimension=dimension)
# 时间序列变量，每一步一个 dimension 维向量（Variable 节点），保存在数组 input 中input_vectors = []for i in range(seq_len): input_vectors.append(Variable(dim=(dimension, 1), init=False, trainable=False)) # 对于本步输入的权值矩阵W = Variable(dim=(hidden_dim, dimension), init=True, trainable=True)
# 对于上步输入的权值矩阵Y = Variable(dim=(hidden_dim, hidden_dim), init=True, trainable=True)
# 偏置向量b = Variable(dim=(hidden_dim, 1), init=True, trainable=True)
# 构造 RNNlast_step = None # 上一步的输出，第一步没有上一步，先将其置为 Nonefor iv in input_vectors: y = Add(MatMul(W, iv), b)
if last_step is not None: y = Add(MatMul(Y, last_step), y)
y = ReLU(y)
last_step = y
fc1 = fc(y, hidden_dim, 6, "ReLU") # 第一全连接层fc2 = fc(fc1, 6, 2, "None") # 第二全连接层
# 分类概率prob = SoftMax(fc2)
# 训练标签label = Variable((2, 1), trainable=False)
# 交叉熵损失loss = CrossEntropyWithSoftMax(fc2, label)
# Adam 优化器optimizer = Adam(default_graph, loss, 0.005, batch_size=16)
# 训练print("start training", flush=True)for e in range(10):
for i in range(len(train_x)): x = np.mat(train_x[i, :]).reshape(dimension, seq_len) for j in range(seq_len): input_vectors[j].set_value(x[:, j]) label.set_value(np.mat(train_y[i, :]).T)
# 执行一步优化 optimizer.one_step()
if i > 1 and (i + 1) % 100 == 0:
# 在测试集上评估模型正确率 probs = [] losses = [] for j in range(len(test_x)): # x = test_x[j, :].reshape(dimension, seq_len) x = np.mat(test_x[j, :]).reshape(dimension, seq_len) for k in range(seq_len): input_vectors[k].set_value(x[:, k]) label.set_value(np.mat(test_y[j, :]).T)
# 前向传播计算概率 prob.forward() probs.append(prob.value.A1)
# 计算损失值 loss.forward() losses.append(loss.value[0, 0])
# print("test instance: {:d}".format(j))
# 取概率最大的类别为预测类别 pred = np.argmax(np.array(probs), axis=1) truth = np.argmax(test_y, axis=1) accuracy = accuracy_score(truth, pred)
default_graph.draw() print("epoch: {:d}, iter: {:d}, loss: {:.3f}, accuracy: {:.2f}%".format(e + 1, i + 1, np.mean(losses), accuracy * 100), flush=True)
训练 10 个 epoch 后，测试集上的正确率达到了 99% ：
epoch: 1, iter: 100, loss: 0.693, accuracy: 51.08%epoch: 1, iter: 200, loss: 0.692, accuracy: 51.08%epoch: 1, iter: 300, loss: 0.677, accuracy: 78.31%epoch: 1, iter: 400, loss: 0.573, accuracy: 49.31%epoch: 1, iter: 500, loss: 0.520, accuracy: 53.92%epoch: 1, iter: 600, loss: 0.599, accuracy: 97.08%epoch: 1, iter: 700, loss: 0.617, accuracy: 99.00%epoch: 2, iter: 100, loss: 0.601, accuracy: 94.46%epoch: 2, iter: 200, loss: 0.579, accuracy: 82.08%epoch: 2, iter: 300, loss: 0.558, accuracy: 76.15%epoch: 2, iter: 400, loss: 0.531, accuracy: 67.85%epoch: 2, iter: 500, loss: 0.507, accuracy: 63.77%epoch: 2, iter: 600, loss: 0.493, accuracy: 61.15%epoch: 2, iter: 700, loss: 0.479, accuracy: 62.23%epoch: 3, iter: 100, loss: 0.443, accuracy: 69.92%epoch: 3, iter: 200, loss: 0.393, accuracy: 85.85%epoch: 3, iter: 300, loss: 0.365, accuracy: 97.69%epoch: 3, iter: 400, loss: 0.284, accuracy: 95.08%epoch: 3, iter: 500, loss: 0.199, accuracy: 95.69%epoch: 3, iter: 600, loss: 0.490, accuracy: 80.62%epoch: 3, iter: 700, loss: 0.264, accuracy: 94.31%epoch: 4, iter: 100, loss: 0.320, accuracy: 83.46%epoch: 4, iter: 200, loss: 0.333, accuracy: 80.92%epoch: 4, iter: 300, loss: 0.276, accuracy: 90.15%epoch: 4, iter: 400, loss: 0.242, accuracy: 95.00%epoch: 4, iter: 500, loss: 0.217, accuracy: 96.38%epoch: 4, iter: 600, loss: 0.191, accuracy: 95.31%epoch: 4, iter: 700, loss: 0.167, accuracy: 94.00%epoch: 5, iter: 100, loss: 0.142, accuracy: 94.62%epoch: 5, iter: 200, loss: 0.111, accuracy: 96.85%epoch: 5, iter: 300, loss: 0.116, accuracy: 96.85%epoch: 5, iter: 400, loss: 0.080, accuracy: 96.77%epoch: 5, iter: 500, loss: 0.059, accuracy: 98.54%epoch: 5, iter: 600, loss: 0.054, accuracy: 98.54%epoch: 5, iter: 700, loss: 0.042, accuracy: 99.00%epoch: 6, iter: 100, loss: 0.047, accuracy: 98.46%epoch: 6, iter: 200, loss: 0.049, accuracy: 98.08%epoch: 6, iter: 300, loss: 0.030, accuracy: 99.15%epoch: 6, iter: 400, loss: 0.029, accuracy: 99.23%epoch: 6, iter: 500, loss: 0.028, accuracy: 99.08%epoch: 6, iter: 600, loss: 0.029, accuracy: 99.08%epoch: 6, iter: 700, loss: 0.024, accuracy: 99.15%epoch: 7, iter: 100, loss: 0.023, accuracy: 99.15%epoch: 7, iter: 200, loss: 0.031, accuracy: 98.85%epoch: 7, iter: 300, loss: 0.023, accuracy: 99.46%epoch: 7, iter: 400, loss: 0.022, accuracy: 99.54%epoch: 7, iter: 500, loss: 0.022, accuracy: 99.38%epoch: 7, iter: 600, loss: 0.027, accuracy: 98.77%epoch: 7, iter: 700, loss: 0.019, accuracy: 99.46%epoch: 8, iter: 100, loss: 0.018, accuracy: 99.54%epoch: 8, iter: 200, loss: 0.018, accuracy: 99.46%epoch: 8, iter: 300, loss: 0.018, accuracy: 99.54%epoch: 8, iter: 400, loss: 0.018, accuracy: 99.62%epoch: 8, iter: 500, loss: 0.017, accuracy: 99.54%epoch: 8, iter: 600, loss: 0.026, accuracy: 99.00%epoch: 8, iter: 700, loss: 0.021, accuracy: 99.23%epoch: 9, iter: 100, loss: 0.017, accuracy: 99.62%epoch: 9, iter: 200, loss: 0.016, accuracy: 99.54%epoch: 9, iter: 300, loss: 0.015, accuracy: 99.54%epoch: 9, iter: 400, loss: 0.014, accuracy: 99.69%epoch: 9, iter: 500, loss: 0.014, accuracy: 99.62%epoch: 9, iter: 600, loss: 0.014, accuracy: 99.69%epoch: 9, iter: 700, loss: 0.014, accuracy: 99.62%epoch: 10, iter: 100, loss: 0.014, accuracy: 99.54%epoch: 10, iter: 200, loss: 0.014, accuracy: 99.54%epoch: 10, iter: 300, loss: 0.015, accuracy: 99.69%epoch: 10, iter: 400, loss: 0.014, accuracy: 99.69%epoch: 10, iter: 500, loss: 0.013, accuracy: 99.62%epoch: 10, iter: 600, loss: 0.016, accuracy: 99.38%epoch: 10, iter: 700, loss: 0.017, accuracy: 99.38%
这就是我们的简单 RNN ，以后有机会我们再尝试搭建类似 LSTM 这种更复杂的 RNN 。
作者介绍：
张觉非，本科毕业于复旦大学，硕士毕业于中国科学院大学，先后任职于新浪微博、阿里，目前就职于奇虎 360，任机器学习技术专家。
本文来自 DataFun 社区
原文链接：
更多内容推荐
Pytorch 基础 -tensor 数据结构
torch.Tensor 是一种包含单一数据类型元素的多维矩阵，类似于 numpy 的 array。 Tensor 可以使用 torch.tensor() 转换 Python 的 list 或序列数据生成，生成的是dtype 默认是 torch.FloatTensor。
2023-01-06
Field-aware Neural Factorization Machine 阅读笔记
提出Field-aware Neural Factorization Machine模型，该模型可以通过FFM模型构造二阶的交互特征，也可通过DNN构建更高阶的交互特征。
Transformer 在推荐模型中的应用总结
最近基于transformer的一些NLP模型很火（比如BERT，GPT-2等）
阿里：Behavior Sequence Transformer 解读
现在深度学习已经广泛应用到了各种CTR预估模型中
13｜前浪 DALL-E 2：帮你魔改经典画作
我们只有真正理解了DALL-E 2，才算拿到了进入AI绘画世界的钥匙。
2023-08-16
11｜VAE 系列：如何压缩图像给 GPU 腾腾地方
这一讲，我们将一起了解VAE的基本原理，之后我们训练自己的Stable Diffusion模型时，也会用上VAE这个模块。
2023-08-09
Embedding 在推荐算法中的应用总结
Embedding向量作为推荐算法中必不可少的部分
学会二阶思维，你就能像巴菲特一样思考了
养成二阶思维的习惯是一个漫长、痛苦的过程，但坚持下来，总会收获很大。
2022-11-23
多任务学习在推荐算法中的应用（一）
本文主要总结了近两年工业界关于 Multi-task 模型在推荐场景的一些应用和工作。
新浪微博 FiBiNET：结合特征重要性和双线性特征交互进行 CTR 预估
基于深度学习的CTR预估模型用处已经很广泛，模型也提出了很多
21｜YouTubeDNN：召回算法的后起之秀（上）
在前面的课程中，我们讲解了几种不同的召回算法，在这节课中，我们会继续前面的课程，学习一个新的召回算法——YouTubeDNN模型。
2023-06-02
颠覆者扩散模型：直观去理解加噪与去噪
扩散模型的工作原理是怎样的呢？算法优化目标是什么？与GAN相比有哪些异同？这一讲我们便从这些基础问题出发，开始我们的扩散模型学习之旅。
2023-07-28
内测邀请｜宜搭应用搭建体验全新升级，邀您抢先体验！
宜搭应用搭建体验全新升级，现正式开放内测申请，邀请大家来尝鲜哦～
2021-11-19
Spring Boot「01」构建 REST API
REST（REpresentational State Transfer，表征状态转移）是一种架构风格，由 Roy Fielding 首次在其博士论文《Architectural Styles and the Design of Network-based Software Architectures》中提出。遵循 REST 风格的 Web API 也称为是 REST API。
2022-10-08
与 DeepLearning 的初次接触（上）
本文因内容较多，故分为上下两篇，此篇为上篇。
08｜巧用神经网络：如何用 UNet 预测噪声
今天我就来为你解读UNet的核心知识。搞懂了这些，在你的日常工作中，便可以根据实际需求对预测噪声的模型做各种魔改了，也会为我们之后训练扩散模型的实战课打好基础。
2023-08-02
espnet 中的 transformer 和 LSTM 语言模型对比实验
本文以aishell为例，通过对比实验为大家介绍transformer和LSTM语言模型。
2022-03-30
07｜AIGC 的核心魔法：搞懂 Transformer
我们只有真正理解了Transformer，才算是进入了当下AIGC世界的大门。
2023-07-31
结合 scipy.linalg 在 Python 中使用线性系统
摘要：将线性代数概念应用到实际问题中scipy.linalg 使用 Python 和 NumPy处理向量和矩阵 使用线性系统模拟实际问题 使用求解线性系统 scipy.linalg
2021-08-20
IDEA 搭建 DCM4CHEE 开发环境
IDEA搭建dcm4chee开发环境
2021-06-18
推荐阅读
ChatGPT 的内部原理
2023-12-01
12｜博观约取：重走 NLP 领域预训练模型的长征路
2023-09-06
【带你读论文】向量表征经典之 DeepWalk
2023-01-11
深度学习应用篇 - 元学习 [16]：基于模型的元学习 -Learning to Learn 优化策略、Meta-Learner LSTM
2023-06-15
27｜DALL-E 3 技术探秘（二）：从 unCLIP 到缝合怪方案
2023-11-09
Matlab 实现神经网络
2023-04-28
“AI Earth”人工智能创新挑战赛：助力精准气象和海洋预测 Baseline[3]：TCNN+RNN 模型、SA-ConvLSTM 模型
2023-06-06
电子书
大厂实战PPT下载
换一换 
姜昕蔚 | InfoQ 研究中心 首席分析师
宋一玮 | FreeWheel 中国研发前端架构师 《现在 React web 应用开发实在课》专栏作者
张亮 | SphereEx CEO
评论