Pytorch实现LSTM和GRU示例
为了解决传统RNN无法长时依赖问题，RNN的两个变体LSTM和GRU被引入。
LSTM
LongShortTermMemory，称为长短期记忆网络，意思就是长的短时记忆，其解决的仍然是短时记忆问题，这种短时记忆比较长，能一定程度上解决长时依赖。
上图为LSTM的抽象结构，LSTM由3个门来控制，分别是输入门、遗忘门和输出门。输入门控制网络的输入，遗忘门控制着记忆单元，输出门控制着网络的输出。最为重要的就是遗忘门，可以决定哪些记忆被保留，由于遗忘门的作用，使得LSTM具有长时记忆的功能。对于给定的任务，遗忘门能够自主学习保留多少之前的记忆，网络能够自主学习。
具体看LSTM单元的内部结构：
在每篇文章中，作者都会使用和标准LSTM稍微不同的版本，针对特定的任务，特定的网络结构往往表现更好。
GRU
上述的过程的线性变换没有使用偏置。隐藏状态参数不再是标准RNN的4倍，而是3倍，也就是GRU的参数要比LSTM的参数量要少，但是性能差不多。
Pytorch
在Pytorch中使用nn.LSTM()可调用，参数和RNN的参数相同。具体介绍LSTM的输入和输出：
输入：input,(h_0,c_0)
input：输入数据with维度(seq_len,batch,input_size)
h_0:维度为(num_layers*num_directions,batch,hidden_size),在batch中的
初始的隐藏状态.
c_0:初始的单元状态，维度与h_0相同
输出：output,(h_n,c_n)
output：维度为(seq_len,batch,num_directions*hidden_size)。
h_n：最后时刻的输出隐藏状态，维度为(num_layers*num_directions,batch,hidden_size)
c_n:最后时刻的输出单元状态，维度与h_n相同。
LSTM的变量：
以MNIST分类为例实现LSTM分类
MNIST图片大小为28×28，可以将每张图片看做是长为28的序列，序列中每个元素的特征维度为28。将最后输出的隐藏状态
导入头文件：
importtorch importtorch.nnasnn importtorch.optimasoptim importtorchvision fromtorchvisionimporttransforms
classRnn(nn.Module): def__init__(self,in_dim,hidden_dim,n_layer,n_classes): super(Rnn,self).__init__() self.n_layer=n_layer self.hidden_dim=hidden_dim self.lstm=nn.LSTM(in_dim,hidden_dim,n_layer,batch_first=True) self.classifier=nn.Linear(hidden_dim,n_classes) defforward(self,x): out,(h_n,c_n)=self.lstm(x) #此时可以从out中获得最终输出的状态h #x=out[:,-1,:] x=h_n[-1,:,:] x=self.classifier(x) returnx
训练和测试代码：
transform=transforms.Compose([
transforms.ToTensor(),
transforms.Normalize([0.5],[0.5]),
])
trainset=torchvision.datasets.MNIST(root='./data',train=True,download=True,transform=transform)
trainloader=torch.utils.data.DataLoader(trainset,batch_size=128,shuffle=True)
testset=torchvision.datasets.MNIST(root='./data',train=False,download=True,transform=transform)
testloader=torch.utils.data.DataLoader(testset,batch_size=100,shuffle=False)
net=Rnn(28,10,2,10)
net=net.to('cpu')
criterion=nn.CrossEntropyLoss()
optimizer=optim.SGD(net.parameters(),lr=0.1,momentum=0.9)
#Training
deftrain(epoch):
print('\nEpoch:%d'%epoch)
net.train()
train_loss=0
correct=0
total=0
forbatch_idx,(inputs,targets)inenumerate(trainloader):
inputs,targets=inputs.to('cpu'),targets.to('cpu')
optimizer.zero_grad()
outputs=net(torch.squeeze(inputs,1))
loss=criterion(outputs,targets)
loss.backward()
optimizer.step()
train_loss+=loss.item()
_,predicted=outputs.max(1)
total+=targets.size(0)
correct+=predicted.eq(targets).sum().item()
print(batch_idx,len(trainloader),'Loss:%.3f|Acc:%.3f%%(%d/%d)'
%(train_loss/(batch_idx+1),100.*correct/total,correct,total))
deftest(epoch):
globalbest_acc
net.eval()
test_loss=0
correct=0
total=0
withtorch.no_grad():
forbatch_idx,(inputs,targets)inenumerate(testloader):
inputs,targets=inputs.to('cpu'),targets.to('cpu')
outputs=net(torch.squeeze(inputs,1))
loss=criterion(outputs,targets)
test_loss+=loss.item()
_,predicted=outputs.max(1)
total+=targets.size(0)
correct+=predicted.eq(targets).sum().item()
print(batch_idx,len(testloader),'Loss:%.3f|Acc:%.3f%%(%d/%d)'
%(test_loss/(batch_idx+1),100.*correct/total,correct,total))
forepochinrange(200):
train(epoch)
test(epoch)
以上这篇Pytorch实现LSTM和GRU示例就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持毛票票。
声明：本文内容来源于网络，版权归原作者所有，内容由互联网用户自发贡献自行上传，本网站不拥有所有权，未作人工编辑处理，也不承担相关法律责任。如果您发现有涉嫌版权的内容，欢迎发送邮件至：czq8825#qq.com（发邮件时，请将#更换为@）进行举报，并提供相关证据，一经查实，本站将立刻删除涉嫌侵权内容。