TensorFlow循环神经网络详解（06期）

实验原理：

RNN的网络结构及原理

RNNs包含输入单元(Input units)，输入集标记为{x0,x1,...,xt,xt+1,...}，而输出单元(Output units)的输出集则被标记为{y0,y1,...,yt,yt+1.,..}。RNNs还包含隐藏单元(Hidden units)，我们将其输出集标记为{h0,h1,...,ht,ht+1,...}，这些隐藏单元完成了最为主要的工作。

它的网络结构如下：

各个变量的含义：

展开后：

其中每个圆圈可以看作是一个单元，而且每个单元做的事情也是一样的，因此可以折叠成左半图的样子。用一句话解释RNN，就是一个单元结构重复使用。

RNN是一个序列到序列的模型，假设xt-1,xt,xt+1是一个输入：“我是中国“，那么ot-1,ot就应该对应”是”，”中国”这两个，预测下一个词最有可能是什么？就是ot+1应该是”人”的概率比较大。

运行代码：

登录后复制

import numpy as np
import tensorflow.compat.v1 as tf
from tensorflow.python.ops import rnn
from tensorflow.examples.tutorials.mnist import input_data
import os
os.environ["CUDA_VISIBLE_DEVICES"]="0"
tf.disable_eager_execution() #保证sess.run()能够正常运行
mnist=input_data.read_data_sets("MNIST_data",one_hot=True)

#Training Parameters  
learning_rate=0.001
training_steps=10000
batch_size=128
display_step=200

#Network Parameters  
num_input=28
timesteps=28
num_hidden=128
num_classes=10

#tf Graph input  
X=tf.placeholder("float",[None,timesteps,num_input])
Y=tf.placeholder("float",[None,num_classes])

# Define weights  
weights={
'out':tf.Variable(tf.random_normal([num_hidden,num_classes]))
}
biases={
'out':tf.Variable(tf.random_normal([num_classes]))
}

def RNN(x,weights,biases):
    x=tf.unstack(x,timesteps,1)
#define a lstm cell with tensorflow  
    lstm_cell=tf.nn.rnn_cell.BasicLSTMCell(num_hidden,forget_bias=1.0)

#Get lstm cell ouput  
    outputs,states=rnn.static_rnn(lstm_cell,x,dtype=tf.float32)

#Linear activation ,using rnn inner loop last output  
    return tf.matmul(outputs[-1],weights['out'])+biases['out']

logits=RNN(X,weights,biases)
prediction=tf.nn.softmax(logits)

#Define loss and  optimizer  
loss_op=tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(
    logits=logits,labels=Y
))
optimizer=tf.train.GradientDescentOptimizer(learning_rate=learning_rate)
train_op=optimizer.minimize(loss_op)

#Evaluate model(with test logits,for dropout to be disabled)  
corrent_pred=tf.equal(tf.argmax(prediction,1),tf.argmax(Y,1))
accuracy=tf.reduce_mean(tf.cast(corrent_pred,tf.float32))

#Initialize the variables  
init=tf.global_variables_initializer()

#Start Training  
with tf.Session() as sess:
# Run the initializer  
     sess.run(init)
     for step in range(1,training_steps+1):
       batch_x,batch_y=mnist.train.next_batch(batch_size)
# Reshape data to get 28 seq of 28 elements  
       batch_x=batch_x.reshape((batch_size,timesteps,num_input))
#Run optimization op  
       sess.run(train_op,feed_dict={X:batch_x,Y:batch_y})
       if step % display_step ==0 or step==1:
#Calculate batch loss and accuracy  
        loss,acc=sess.run([loss_op,accuracy],feed_dict={X:batch_x,Y:batch_y})
        print('Step'+str(step)+" ,Minibatch Loss"+"{:.4f}".format(loss)+",Training Accuracy="+"{:.3f}".format(acc))
     print("Optimization Finished!")
    #Calculate accuracy for 128 mnist test images
     test_len=128
     test_data=mnist.test.images[:test_len].reshape((-1,timesteps,num_input))
     test_label=mnist.test.labels[:test_len]
     print("Testing Accuracy:",sess.run(accuracy,feed_dict={X:test_data,Y:test_label}))1.2.3.4.5.6.7.8.9.10.11.12.13.14.15.16.17.18.19.20.21.22.23.24.25.26.27.28.29.30.31.32.33.34.35.36.37.38.39.40.41.42.43.44.45.46.47.48.49.50.51.52.53.54.55.56.57.58.59.60.61.62.63.64.65.66.67.68.69.70.71.72.73.74.75.76.77.78.79.80.81.

运行结果：

免责声明：本文系网络转载或改编，未找到原创作者，版权归原作者所有。如涉及版权，请联系删