Tensorflow实现 Bidirectional LSTM Classifier

最新推荐文章于 2024-12-30 21:49:30 发布

原创最新推荐文章于 2024-12-30 21:49:30 发布 · 1.3k 阅读

4 ·

CC 4.0 BY-SA版权

文章标签：

#Bi-RNN #双向循环神经网络

深度学习同时被 2 个专栏收录

42 篇文章

订阅专栏

循环神经网络

5 篇文章

订阅专栏

本文介绍双向递归神经网络(Bi-RNN)及其在时间序列分类任务上的优势，并通过一个实例展示了如何使用TensorFlow实现双向LSTM分类器，并在MNIST数据集上进行测试。

部署运行你感兴趣的模型镜像

1.双向递归神经网络

双向递归神经网络（Bidirectional Recurrent Neural Networks， Bi-RNN）,是由Schuster和Paliwal于1997年首次提出的，和LSTM是在同一年被提出的。Bi-RNN的主要目标是增加RNN可利用的信息。RNN无法利用某个历史输入的未来信息，Bi-RNN则正好相反，它可以同时使用时序数据中某个输入的历史及未来数据。

Bi-RNN网络结构的核心是把一个普通的单项的RNN拆成两个方向，一个随时序正向的，一个逆着时序的反向的,如图。

在需要上下文的环境中，Bi-RNN将会非常有用，比如在手写文字识别时，如果有当前要识别的单词的前面和后面一个单词的信息，那么将非常有利于识别。同样，我们在阅读文章时，有时候也需要通过下文的语境来推测文中某句话的准确含义。对很多分类问题，比如手写文字识别，机器翻译，蛋白结构预测等，使用Bi-RNN将会大大提升模型效果。

Bi-RNN中的每个RNN单元既可以是传统的RNN，也可以是LSTM单元或者GRU单元，同样也可以叠加多层Bi-RNN，进一步抽象的提炼出特征。如果最后使用作分类任务，我们可以将Bi-RNN的输出序列连接一个全连接层，或者连接全局平均池化Global Average Pooling，最后再接Softmax层，这部分和使用卷积神经网络部分一致，如果有不理解Softmax这些概念的建议看下cs231n系列的课程，里面的概念还是讲解的非常清晰的。

2.代码实现

下面我们就使用tensorflow实现一个Bidirectional LSTM Classifier，并在MNIST数据集上进行测试。

# !/usr/bin/python3
# -*- coding:utf-8 -*-
__auther__ = 'gavin'

#代码主要是使用Bidirectional LSTM Classifier对MNIST数据集上进行测试
#导入常用的数据库，并下载对应的数据集
import tensorflow as tf
import numpy as np
from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets('MNIST_data', one_hot=True)

#设置对应的训练参数
learning_rate = 0.01
max_samples = 400000
batch_size = 128
display_step = 10 # 每间隔10次训练就展示一次训练情况

n_input = 28
n_steps = 28
n_hidden = 256
n_classes = 10

#创建输入x和学习目标y的placeholder，这里我们的样本被理解为一个时间序列，
# 第一个维度是时间点n_step，第二个维度是每个时间点的数据n_inpt。同时，在最后创建Softmax层的权重和偏差
x = tf.placeholder("float", [None, n_steps, n_input])
y = tf.placeholder("float", [None, n_classes])

# 因为是双向LSTM，有forward和backward两个LSTM的cell，
# 所以weights的参数量也翻倍，变为2×n_hidden
weights = tf.Variable(tf.random_normal([2 * n_hidden, n_classes]))
biases = tf.Variable(tf.random_normal([n_classes]))

#定义Bidirectional LSTM网络的生成函数
def BiRNN(x, weights, biases):

    x = tf.transpose(x, [1, 0, 2])
    x = tf.reshape(x, [-1, n_input])
    # 将x拆成长度为n_steps的列表，列表中每个tensor尺寸都是(batch_size,n_input),这样符合LSTM单元
    x = tf.split(x, n_steps) 

    lstm_fw_cell = tf.contrib.rnn.BasicLSTMCell(n_hidden, forget_bias = 1.0)
    lstm_bw_cell = tf.contrib.rnn.BasicLSTMCell(n_hidden, forget_bias = 1.0)

    outputs, _, _ = tf.contrib.rnn.static_bidirectional_rnn(lstm_fw_cell,
                                                            lstm_bw_cell, x,
                                                            dtype = tf.float32)
    return tf.matmul(outputs[-1], weights) + biases

#使用tf.nn.softmax_cross_entropy_with_logits进行softmax处理并计算损失
pred = BiRNN(x, weights, biases)
cost = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(logits = pred, labels = y))
optimizer = tf.train.AdamOptimizer(learning_rate = learning_rate).minimize(cost)

correct_pred = tf.equal(tf.argmax(pred, 1), tf.argmax(y, 1))
accuracy = tf.reduce_mean(tf.cast(correct_pred, tf.float32))

init = tf.global_variables_initializer()

#开始执行训练和测试操作
with tf.Session() as sess:
    sess.run(init)
    step = 1
    while step * batch_size < max_samples:
        batch_x, batch_y = mnist.train.next_batch(batch_size)
        batch_x = batch_x.reshape((batch_size, n_steps, n_input))
        sess.run(optimizer, feed_dict = {x: batch_x, y: batch_y})
        if step % display_step == 0:
            acc = sess.run(accuracy, feed_dict = {x: batch_x, y: batch_y})
            loss = sess.run(cost, feed_dict = {x: batch_x, y: batch_y})
            print("Iter" + str(step * batch_size) + ", Minibatch Loss = " + \
                "{:.6f}".format(loss) + ", Training Accuracy = " + \
                "{:.5f}".format(acc))
        step += 1
    print("Optimization Finished!")

# 全部训练迭代结束后，我们使用训练好的模型，对mnist.test.images中全部的测试数据进行预测，并将准确率展示出来。



    test_len = 10000
    test_data = mnist.test.images[:test_len].reshape((-1, n_steps, n_input))
    test_label = mnist.test.labels[:test_len]
    print("Testing Accuracy:", sess.run(accuracy, feed_dict = {x: test_data, y: test_label}))

在完成了40万个样本训练后，我们看一下模型在训练集和测试集上的表现。在训练集上我们的预测准确率都非常高，基本都是1,而在包含1000个样本的测试集上也有0.9853的准确率。