注：書中對(duì)代碼的講解并不詳細(xì)，本文對(duì)很多細(xì)節(jié)做了詳細(xì)注釋。另外，書上的源代碼是在Jupyter Notebook上運(yùn)行的，較為分散，本文將代碼集中起來，并加以完善，全部用vscode在python 3.9.18下測(cè)試通過，同時(shí)對(duì)于書上部分章節(jié)也做了整合。

Chapter8 Recurrent Neural Networks

8.6 Concise Implementation of RNN

import torch
from torch import nn
from torch.nn import functional as F
from d2l import torch as d2l
import matplotlib.pyplot as plt

batch_size, num_steps = 32, 35
train_iter, vocab = d2l.load_data_time_machine(batch_size, num_steps)

num_hiddens = 256
rnn_layer = nn.RNN(len(vocab), num_hiddens)

state = torch.zeros((1, batch_size, num_hiddens))
print(state.shape)

X = torch.rand(size=(num_steps, batch_size, len(vocab)))
Y, state_new = rnn_layer(X, state)#Y不涉及輸出層的計(jì)算
print(Y.shape, state_new.shape)

class RNNModel(nn.Module):#@save
    """循環(huán)神經(jīng)網(wǎng)絡(luò)模型"""
    def __init__(self, rnn_layer, vocab_size, **kwargs):
        super(RNNModel, self).__init__(**kwargs)
        self.rnn = rnn_layer
        self.vocab_size = vocab_size
        self.num_hiddens = self.rnn.hidden_size
        # 如果RNN是雙向的（之后將介紹），num_directions應(yīng)該是2，否則應(yīng)該是1
        if not self.rnn.bidirectional:
            self.num_directions = 1
            self.linear = nn.Linear(self.num_hiddens, self.vocab_size)
        else:
            self.num_directions = 2
            self.linear = nn.Linear(self.num_hiddens * 2, self.vocab_size)

    def forward(self, inputs, state):
        X = F.one_hot(inputs.T.long(), self.vocab_size)
        X = X.to(torch.float32)
        Y, state = self.rnn(X, state)
        # 全連接層首先將Y的形狀改為(時(shí)間步數(shù)*批量大小,隱藏單元數(shù))，它的輸出形狀是(時(shí)間步數(shù)*批量大小,詞表大小)。
        output = self.linear(Y.reshape((-1, Y.shape[-1])))
        return output, state

    def begin_state(self, device, batch_size=1):
        if not isinstance(self.rnn, nn.LSTM):
            #nn.GRU以張量作為隱狀態(tài)
            #GRU為門控循環(huán)單元(Gated Recurrent Unit)，是一種流行的循環(huán)神經(jīng)網(wǎng)絡(luò)變體。
            #GRU使用了一組門控機(jī)制來控制信息的流動(dòng)，包括更新門(update gate)和重置門(reset gate)，以更好地捕捉長(zhǎng)期依賴關(guān)系
            return  torch.zeros((self.num_directions * self.rnn.num_layers,
                                batch_size, self.num_hiddens),
                                device=device)
        else:
            #nn.LSTM以元組作為隱狀態(tài)
            #LSTM代表長(zhǎng)短期記憶網(wǎng)絡(luò)(Long Short-Term Memory)，是另一種常用的循環(huán)神經(jīng)網(wǎng)絡(luò)類型。
            #相比于簡(jiǎn)單的循環(huán)神經(jīng)網(wǎng)絡(luò)，LSTM引入了三個(gè)門控單元：輸入門(input gate)、遺忘門(forget gate)和輸出門(output gate)，以及一個(gè)記憶單元(cell state)，可以更有效地處理長(zhǎng)期依賴性。
            return (torch.zeros((
                self.num_directions * self.rnn.num_layers,
                batch_size, self.num_hiddens), device=device),
                    torch.zeros((
                        self.num_directions * self.rnn.num_layers,
                        batch_size, self.num_hiddens), device=device))
            
device = d2l.try_gpu()
net = RNNModel(rnn_layer, vocab_size=len(vocab))
net = net.to(device)
d2l.predict_ch8('time traveller', 10, net, vocab, device)

num_epochs, lr = 500, 1
d2l.train_ch8(net, train_iter, vocab, lr, num_epochs, device)
plt.show()

訓(xùn)練結(jié)果:

與上一節(jié)相比，由于pytorch的高級(jí)API對(duì)代碼進(jìn)行了更多的優(yōu)化，該模型在較短的時(shí)間內(nèi)達(dá)到了較低的困惑度。文章來源地址http://www.zghlxwxcb.cn/news/detail-829295.html

到了這里，關(guān)于《動(dòng)手學(xué)深度學(xué)習(xí)(PyTorch版)》筆記8.6的文章就介紹完了。如果您還想了解更多內(nèi)容，請(qǐng)?jiān)谟疑辖撬阉鱐OY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！