python人工智能tensorflow构建循环神经网络RNN

更新时间：2022年05月05日 09:51:56 作者：Bubbliiiing

这篇文章主要为大家介绍了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参考下，希望能够有所帮助，祝大家多多进步，早日升职加薪

学习前言

在前一段时间已经完成了卷积神经网络的复习，现在要对循环神经网络的结构进行更深层次的明确。

RNN简介

RNN 是当前发展非常火热的神经网络中的一种，它擅长对序列数据进行处理。

什么是序列数据呢？举个例子。

现在假设有四个字，“我” “去” “吃” “饭”。我们可以对它们进行任意的排列组合。

“我去吃饭”，表示的就是我要去吃饭了。

“饭去吃我”，表示的就是饭成精了。

“我吃去饭”，表示的我要去吃‘去饭’了。

不同的排列顺序会导致不同的语意，序列数据表示的就是按照一定顺序排列的序列，这种排列一般存在一定的意义。。

所以我们知道了RNN有顺序存储的这个抽象概念，但是RNN如何学习这个概念呢？

那么，让我们来看一个传统的神经网络，也称为前馈神经网络。它有输入层，隐藏层和输出层。就像这样

对于RNN来讲，其结构示意图是这样的：

一句话可以分为N个part，比如“我去吃饭”可以分为四个字，“我” “去” “吃” “饭”，分别可以传入四个隐含层，前一个隐含层会有一个输出按照一定的比率传给后一个隐含层，比如第一个“我”输入隐含层后，有一个输出按照w1的比率输入给下一个隐含层，当第二个“去”进入隐含层时，隐含层同样要接收“我”传过来的信息。

以此类推，在到达最后一个“饭”时，最后的输出便得到了前面全部的信息。

其伪代码形式为：

rnn = RNN()
ff = FeedForwardNN()
hidden_state = [0,0,0]
for word in input:
	output,hidden_state = rnn(word,hidden_state)
prediction = ff(output)

tensorflow中RNN的相关函数

tf.nn.rnn_cell.BasicLSTMCell

tf.nn.rnn_cell.BasicRNNCell(
	num_units, 
	activation=None, 
	reuse=None, 
	name=None, 
	dtype=None, 
	**kwargs)

num_units：RNN单元中的神经元数量，即输出神经元数量。
activation：激活函数。
reuse：描述是否在现有范围中重用变量。如果不为True，并且现有范围已经具有给定变量，则会引发错误。
name：层的名称。
dtype：该层的数据类型。
kwargs：常见层属性的关键字命名属性，如trainable，当从get_config()创建cell 。

在使用时，可以定义为：

RNN_cell = tf.nn.rnn_cell.BasicRNNCell(n_hidden_units,activation=tf.nn.tanh)

在定义完成后，可以进行状态初始化：

_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的资料请关注脚本之家其它相关文章！

您可能感兴趣的文章:

用Python实现2024年春晚刘谦魔术
昨晚春晚上刘谦的两个魔术表演都非常精彩,忍不住用编程去模拟一下这个过程,所以本文给大家用Python实现2024年春晚刘谦魔术,文中通过代码示例给大家介绍的非常详细,需要的朋友可以参考下
2024-02-02
Python绘制3D立体花朵示例详解
情人节送玫瑰花千篇一律？本文将为大家介绍利用Python绘制多种3D立体花朵的示例代码，让女友感受一下程序员的浪漫！快来跟随小编一起学习一下吧
2021-12-12
Python 推导式、生成器与切片问题解决思路
这篇文章主要介绍了Python 推导式、生成器与切片,生成器实质就是迭代器，通过本文学习能够理解并掌握推导式、切片等用法并能解决实际问题，需要的朋友可以参考下
2022-03-03
浅谈django 模型类使用save()方法的好处与注意事项
这篇文章主要介绍了浅谈django 模型类使用save()方法的好处与注意事项，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
2020-03-03
详解如何使用Python在PDF文档中创建动作
PDF格式因其跨平台兼容性和丰富的功能集而成为许多行业中的首选文件格式,其中,PDF中的动作（Action）功能尤为突出,本文将介绍如何使用Python在PDF文档中创建动作,需要的朋友可以参考下
2024-09-09
python自动化测试之Selenium详解
这篇文章主要为大家详细介绍了python自动化测试之Selenium，文中示例代码介绍的非常详细，具有一定的参考价值，感兴趣的小伙伴们可以参考一下，希望能够给你带来帮助
2022-03-03
Python检查ping终端的方法
今天小编就为大家分享一篇Python检查ping终端的方法，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
2019-01-01
python中logging模块的一些简单用法的使用
这篇文章主要介绍了python中logging模块的一些简单用法的使用，文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧
2019-02-02
Python将HTML快速转换成PDF的方法实现
在Web开发和报告任务中,将HTML内容转换为PDF是一种常见需求,本文主要介绍了Python将HTML快速转换成PDF的方法实现,具有一定的参考价值,感兴趣的可以了解一下
2024-01-01
python字符串操作详析
这篇文章主要介绍了python字符串操作，字符串是不可变类型可以重新赋值，但不可以索引改变其中一个值，只能拼接字符串建立新变量，下面来了解具体内容吧，需要的小伙伴可以参考一下
2022-02-02