理论讲解
RNN:语音识别、自然语言处理,机器翻译,图像描述等方面应用。
RNN缺点:部分信息会随着网络逐渐递减,好的信息,不好的信息它都会记住。
递归神经网络RNN和BP神经网络的区别:
- 不同点:递归神经网络L有反馈回路,可以记住上一次的输出,并作为下一次的输入之一,BP神经网络没有反馈回路。
- 相同点:都有梯度消失的问题,之前输入的数据会随着时间的流逝,信号会不断的衰弱,对决策的影响越来越小。
- 所以1:使用y=x的激活函数,则不会出现梯度消失问题,但是网络会一直往下传播,重要的信息也记住,不重要的也记住。正确的应该正确的记住,错误的忘记,于是诞生了LSTM网络。
- 所以2:权值和偏置值只设定一对就可以,其他没有设定的,tensorflow会自动为我们设置。
LSTM(Long Short Term Memory):选择性记忆有用的信息。输入门,输出门, 忘记门(经过大量数据进行训练);
- 门的作用:判断信号是否有用,然后才会进行输入
代码:
import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
from tensorflow.contrib import rnn
# 载入数据
mnist = input_data.read_data_sets('MNIST_data', one_hot=True)
# 输入图片是28*28
n_inputs = 28 # 对应图片的一行,一行有28个数据 输入到神经网络
max_time = 28 # 图片序列,28次输入,每次输入一行,一共有28行
lstm_size = 100 # 隐藏单元,实质不是神经元,应该的说法是比神经元复杂的(LSTM)
n_classes = 10 # 10个分类
batch_size = 50 # 每批次有50个样本
n_batch = mnist.train.num_examples // batch_size
# 这里的None表示第一个唯独可以是任意长度 None=50
x = tf.placeholder(tf.float32, [None, 784])
# 正确的标签
y = tf.placeholder(tf.float32, [None, 10])
# 初始化权值
weights = tf.Variable(tf.truncated_normal([lstm_size, n_classes], stddev=0.1))
# 初始化偏置值
biases = tf.Variable(tf.constant(0.1, shape=[n_classes]))
# 定义RNN网络
def RNN(X, weights, biases):
# inputs = [batch_size, max_time, n_inout]
inputs = tf.reshape(X, [-1, max_time, n_inputs])
# 定义LSTM基本CELL
#lstm_cell = tf.contrib.rnn.core_rnn_cell.BasicLSTMCell(lstm_size)#这句话出现bug
lstm_cell = rnn.BasicLSTMCell(lstm_size) #Bug的修复
#final_state[state,batch_size,cell.state_size]
# final_state[0] 是cell state
# final_state[1] 是hidden_state
#outputs的描述
# outputs: The RNN output `Tensor`.
# If time_major == False (default), this will be a `Tensor` shaped:
# `[batch_size, max_time, cell.output_size]`.
# If time_major == True, this will be a `Tensor` shaped:
# `[max_time, batch_size, cell.output_size]`.
outputs, final_state = tf.nn.dynamic_rnn(lstm_cell,inputs,dtype=tf.float32)#final_state
results = tf.nn.softmax(tf.matmul(final_state[1], weights) + biases)
return results
# 计算RNN的返回结果 x:placehoder 相当于一个批次的训练数据
prediction = RNN(x, weights, biases)
# 损失函数
cross_entropy = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=y, logits=prediction))
# 使用AdamOptimizer进行优化
train_step = tf.train.AdamOptimizer(1e-4).minimize(cross_entropy)
# 结果放在一个布尔型列表中
crroect_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(prediction, 1))
# 求准确率
accuracy = tf.reduce_mean(tf.cast(crroect_prediction, tf.float32))
# 初始化
init = tf.global_variables_initializer()
with tf.Session() as sess:
sess.run(init)
for epoch in range(6):
for batch in range(n_batch):
batch_xs, batch_ys = mnist.train.next_batch(batch_size)
sess.run(train_step, feed_dict={x: batch_xs, y: batch_ys})
acc = sess.run(accuracy, feed_dict={x: mnist.test.images, y: mnist.test.labels})
print("Iter " + str(epoch) + ", Testing Accuracy= " + str(acc))
- 结果:
- Bug及调试:
#1.0版本改了很多
#原代码是这样的:
lstm_cell = tf.contrib.rnn.core_rnn_cell.BasicLSTMCell(lstm_size)
#应该改为:
from tensorflow.contrib import rnnlstm_cell = rnn.BasicLSTMCell(lstm_size)