零基础-动手学深度学习-8.5. 循环神经网络的从零开始实现-优快云博客

本节将根据 8.4节中的描述，从头开始基于循环神经网络实现字符级语言模型。这样的模型将在H.G.Wells的时光机器数据集上训练。和前面 8.3节中介绍过的一样，我们先读取数据集。

%matplotlib inline
import math
import torch
from torch import nn
from torch.nn import functional as F
from d2l import torch as d2l

batch_size, num_steps = 32, 35#批量大小 和 序列长度T
train_iter, vocab = d2l.load_data_time_machine(batch_size, num_steps)

8.5.1. 独热编码

回想一下，在train_iter中，每个词元都表示为一个数字索引，将这些索引直接输入神经网络可能会使学习变得困难。我们通常将每个词元表示为更具表现力的特征向量。最简单的表示称为独热编码（one-hot encoding），它在 3.4.1节中我们已经介绍过。

简言之，将每个索引映射为相互不同的单位向量：假设词表中不同词元的数目为N（即len(vocab)），词元索引的范围为0到N-1。如果词元的索引是整数i，那么我们将创建一个长度为N的全0向量，并将第i处的元素设置为1。此向量是原始词元的一个独热向量。索引为0和2的独热向量如下所示：

F.one_hot(torch.tensor([0, 2]), len(vocab))#类别或者索引，字典的长度

输出：
tensor([[1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,
         0, 0, 0, 0],
        [0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,
         0, 0, 0, 0]])

我们每次采样的小批量数据形状是二维张量：（批量大小，时间步数）。 one_hot函数将这样一个小批量数据转换成三维张量，张量的最后一个维度等于词表大小（len(vocab)）。我们经常转换输入的维度，以便获得形状为（时间步数，批量大小，词表大小）的输出。 这将使我们能够更方便地通过最外层的维度，一步一步地更新小批量数据的隐状态。

X = torch.arange(10).reshape((2, 5))
F.one_hot(X.T, 28).shape

输出：
torch.Size([5, 2, 28])

这里为什么要用X.T的转置？时间步在最外层，因为RNN通常需要按时间步逐一处理序列数据。

8.5.2. 初始化模型参数

def get_params(vocab_size, num_hiddens, device):
    num_inputs = num_outputs = vocab_size
#直接get一下需要学习的参数，以前只要知道hiddens，现在需要知道vocab的大小，当然还需要知道device
#输入通过one hot之后变成一个vocab长度的向量，输出其实就是做一个分类问题那么下一个词的个数自然是也符合vovab的size
    def normal(shape):
        return torch.randn(size=shape, device=device) * 0.01
#没干什么事的小函数，torch.randn 是 PyTorch 库中的一个函数，用于生成一个形状为 shape 的张量，其元素是从标准正态分布（均值为0，方差为1）中随机抽取的。这里初始化为均值为0方差为（0.01）2即是0.0001

    # 隐藏层参数
    W_xh = normal((num_inputs, num_hiddens))
    W_hh = normal((num_hiddens, num_hiddens))#这一行移掉就变成了又hiddens的MLP
    b_h = torch.zeros(num_hiddens, device=device)
    # 输出层参数
    W_hq = normal((num_hiddens, num_outputs))
    b_q = torch.zeros(num_outputs, device=device)
    # 附加梯度
    params = [W_xh, W_hh, b_h, W_hq, b_q]
    for param in params:
        param.requires_grad_(True)
    return params

8.5.3. 循环神经网络模型

为了定义循环神经网络模型，我们首先需要一个init_rnn_state函数在初始化时返回隐状态。这个函数的返回是一个张量，张量全用0填充，形状为（批量大小，隐藏单元数）。在后面的章节中我们将会遇到隐状态包含多个变量的情况，而使用元组可以更容易地处理些。

这一步的意义在于h0是没有h-1的隐藏状态的所以就要用一个假设存在的初始状态。

def init_rnn_state(batch_size, num_hiddens, device):
    return (torch.zeros((batch_size, num_hiddens), device=device), )
#这里两个括号意味着tuple元组，到后面的lstm就需要另外一个参数

下面的rnn函数定义了如何在一个时间步内计算隐状态和输出。循环神经网络模型通过inputs最外层的维度实现循环，以便逐时间步更新小批量数据的隐状态H。此外，这里使用函数作为激活函数。如 4.1节所述，当元素在实数上满足均匀分布时，函数的平均值为0。

def rnn(inputs, state, params):#state是初始化的隐藏状态 params是可学习的参数
    # inputs的形状：(时间步数量，批量大小，词表大小)
    W_xh, W_hh, b_h, W_hq, b_q = params#展开
    H, = state#state是一个tuple，目前只有H，展开就只有H，
    outputs = []
    # X的形状：(批量大小，词表大小)
    for X in inputs:#这里是第一个维度从0到T的一个循环，这再次印证了前面初始化的转置是干什么用的
        H = torch.tanh(torch.mm(X, W_xh) + torch.mm(H, W_hh) + b_h)
        Y = torch.mm(H, W_hq) + b_q
        outputs.append(Y)#outputs.append(Y) 的作用是将每个时间步计算得到的输出 Y 收集起来，存储在列表 outputs 中，这里只是一个列表
    return torch.cat(outputs, dim=0), (H,)可能后面还要用隐藏状态去传递所以现在时刻的输出和隐藏状态作为return,这里的cat从行连接T个样本列表变成了二维的张量。这里的形状变成了？？？？？？？？？（时间步数*批量大小，词表大小）

定义了所有需要的函数之后，接下来我们创建一个类来包装这些函数，并存储从零开始实现的循环神经网络模型的参数。

只是一个打包的操作

class RNNModelScratch: #@save
    """从零开始实现的循环神经网络模型"""
    def __init__(self, vocab_size, num_hiddens, device,
                 get_params, init_state, forward_fn):
        self.vocab_size, self.num_hiddens = vocab_size, num_hiddens
        self.params = get_params(vocab_size, num_hiddens, device)
        self.init_state, self.forward_fn = init_state, forward_fn#forward函数就是我们定义的那个RNN的函数，后面还会有其他的法则比如说ULSTN

    def __call__(self, X, state):#这里的CALL和forward函数作用类似
        X = F.one_hot(X.T, self.vocab_size).type(torch.float32)#onehot是一个整型，需要我们用type去变成一个浮点型
        return self.forward_fn(X, state, self.params)#这里就放到RNN函数里

    def begin_state(self, batch_size, device):
        return self.init_state(batch_size, self.num_hiddens, device)#init初始化一下

让我们检查输出是否具有正确的形状。例如，隐状态的维数是否保持不变。

num_hiddens = 512
net = RNNModelScratch(len(vocab), num_hiddens, d2l.try_gpu(), get_params,
                      init_rnn_state, rnn)
state = net.begin_state(X.shape[0], d2l.try_gpu())
Y, new_state = net(X.to(d2l.try_gpu()), state)
Y.shape, len(new_state), new_state[0].shape

输出：
(torch.Size([10, 28]), 1, torch.Size([2, 512]))
#第一个是二维张量batch和他的T时间长度，state是长为一的tuple，里面则是隐藏元的大小

我们可以看到输出形状是（时间步数*批量大小，词表大小）这里就是那个邪恶cat干的事情，而隐状态形状保持不变，即（批量大小，隐藏单元数）

这里的cat实在是有点奇怪了，我立马找我们亲爱的chat老师分析了一下，每次输出的直接列出来：

这下好懂多了。

8.5.4. 预测

让我们首先定义预测函数来生成prefix之后的新字符，其中的prefix是一个用户提供的包含多个字符的字符串。在循环遍历prefix中的开始字符时，我们不断地将隐状态传递到下一个时间步，但是不生成任何输出。这被称为预热（warm-up）期，因为在此期间模型会自我更新（例如，更新隐状态），但不会进行预测。预热期结束后，隐状态的值通常比刚开始的初始值更适合预测，从而预测字符并输出它们。

def predict_ch8(prefix, num_preds, net, vocab, device):  #@save
    """在prefix后面生成新字符"""#num_preds是生成字符的长度 net是我们训练模型 
    state = net.begin_state(batch_size=1, device=device)#初始隐藏状态 bs为一
    outputs = [vocab[prefix[0]]]#output一开始只是一个词prefix[0]
    get_input = lambda: torch.tensor([outputs[-1]], device=device).reshape((1, 1))
#getinput这个小函数的意思是把最近预测的outputs[-1]做成tensor11放到输入中去
    for y in prefix[1:]:  # 预热期 0已经放到outputs里面了这里就只用对后面的遍历一遍
        _, state = net(get_input(), state)#并不在意预测 因为getinput已经存下来了 主要是放进state里面
        outputs.append(vocab[y])
    for _ in range(num_preds):  # 预测num_preds步 真正开始预测
        y, state = net(get_input(), state)
        outputs.append(int(y.argmax(dim=1).reshape(1)))#最大的坐标拿出来，整形后放进去
    return ''.join([vocab.idx_to_token[i] for i in outputs])#idx变token直接输出了

现在我们可以测试predict_ch8函数。我们将前缀指定为time traveller，并基于这个前缀生成10个后续字符。鉴于我们还没有训练网络，它会生成荒谬的预测结果。

predict_ch8('time traveller ', 10, net, vocab, d2l.try_gpu())

'time traveller aaaaaaaaaa'

8.5.5. 梯度裁剪

ef grad_clipping(net, theta):  #@save
    """裁剪梯度"""
    if isinstance(net, nn.Module):#先把所有参数拿出来
        params = [p for p in net.parameters() if p.requires_grad]#可以更新的参数
    else:
        params = net.params
    norm = torch.sqrt(sum(torch.sum((p.grad ** 2)) for p in params))#所有梯度取平方求和再开根号得到L2范数
    if norm > theta:
        for param in params:
            param.grad[:] *= theta / norm#映射回theta

8.5.6. 训练

在训练模型之前，让我们定义一个函数在一个迭代周期内训练模型。它与我们训练 3.6节模型的方式有三个不同之处。

序列数据的不同采样方法（随机采样和顺序分区）将导致隐状态初始化的差异。
我们在更新模型参数之前裁剪梯度。这样的操作的目的是，即使训练过程中某个点上发生了梯度爆炸，也能保证模型不会发散。
我们用困惑度来评价模型。如 8.4.4节所述，这样的度量确保了不同长度的序列具有可比性。

具体来说，当使用顺序分区时，我们只在每个迭代周期的开始位置初始化隐状态。由于下一个小批量数据中的第i个子序列样本与当前第i个子序列样本相邻， 因此当前小批量数据最后一个样本的隐状态，将用于初始化下一个小批量数据第一个样本的隐状态(random的就是每次都要重新初始化)。这样，存储在隐状态中的序列的历史信息可以在一个迭代周期内流经相邻的子序列。然而，在任何一点隐状态的计算，都依赖于同一迭代周期中前面所有的小批量数据，这使得梯度计算变得复杂。 为了降低计算量，在处理任何一个小批量数据之前，我们先分离梯度，使得隐状态的梯度计算总是限制在一个小批量数据的时间步内。

当使用随机抽样时，因为每个样本都是在一个随机位置抽样的，因此需要为每个迭代周期重新初始化隐状态。与 3.6节中的 train_epoch_ch3函数相同， updater是更新模型参数的常用函数。它既可以是从头开始实现的d2l.sgd函数，也可以是深度学习框架中内置的优化函数。

#@save
def train_epoch_ch8(net, train_iter, loss, updater, device, use_random_iter):
    """训练网络一个迭代周期（定义见第8章）"""
    state, timer = None, d2l.Timer()
    metric = d2l.Accumulator(2)  # 训练损失之和,词元数量
    for X, Y in train_iter:
        if state is None or use_random_iter:
            # 在第一次迭代或使用随机抽样时初始化state
            state = net.begin_state(batch_size=X.shape[0], device=device)
        else:
            if isinstance(net, nn.Module) and not isinstance(state, tuple):
                # state对于nn.GRU是个张量
                state.detach_()#这里detach就是把上个小批量的状态传过来
            else:
                # state对于nn.LSTM或对于我们从零开始实现的模型是个张量
                for s in state:
                    s.detach_()
        y = Y.T.reshape(-1)#时间拉到前面转置成一个向量
        X, y = X.to(device), y.to(device)
        y_hat, state = net(X, state)
        l = loss(y_hat, y.long()).mean()#对于loss来讲就是一个分类问题
        if isinstance(updater, torch.optim.Optimizer):
            updater.zero_grad()
            l.backward()
            grad_clipping(net, 1)#这里是唯一的区别，算完梯度backward做一次剪裁
            updater.step()
        else:
            l.backward()
            grad_clipping(net, 1)
            # 因为已经调用了mean函数
            updater(batch_size=1)
        metric.add(l * y.numel(), y.numel())
    return math.exp(metric[0] / metric[1]), metric[1] / timer.stop()#这就是困惑度的计算

循环神经网络模型的训练函数既支持从零开始实现，也可以使用高级API来实现。

#@save
def train_ch8(net, train_iter, vocab, lr, num_epochs, device,
              use_random_iter=False):
    """训练模型（定义见第8章）"""
    loss = nn.CrossEntropyLoss()
    animator = d2l.Animator(xlabel='epoch', ylabel='perplexity',
                            legend=['train'], xlim=[10, num_epochs])
    # 初始化
    if isinstance(net, nn.Module):
        updater = torch.optim.SGD(net.parameters(), lr)
    else:
        updater = lambda batch_size: d2l.sgd(net.params, lr, batch_size)
    predict = lambda prefix: predict_ch8(prefix, 50, net, vocab, device)
    # 训练和预测
    for epoch in range(num_epochs):
        ppl, speed = train_epoch_ch8(
            net, train_iter, loss, updater, device, use_random_iter)
        if (epoch + 1) % 10 == 0:
            print(predict('time traveller'))
            animator.add(epoch + 1, [ppl])
    print(f'困惑度 {ppl:.1f}, {speed:.1f} 词元/秒 {str(device)}')
    print(predict('time traveller'))
    print(predict('traveller'))

现在，我们训练循环神经网络模型。因为我们在数据集中只使用了10000个词元，所以模型需要更多的迭代周期来更好地收敛。

num_epochs, lr = 500, 1
train_ch8(net, train_iter, vocab, lr, num_epochs, d2l.try_gpu())

困惑度 1.0, 67212.6 词元/秒 cuda:0 #困惑度最好就是1.0？？？
time traveller for so it will be convenient to speak of himwas e
travelleryou can show black is white by argument said filby

最后，让我们检查一下使用随机抽样方法的结果。

net = RNNModelScratch(len(vocab), num_hiddens, d2l.try_gpu(), get_params,
                      init_rnn_state, rnn)
train_ch8(net, train_iter, vocab, lr, num_epochs, d2l.try_gpu(),
          use_random_iter=True)

困惑度 1.5, 65222.3 词元/秒 cuda:0
time traveller held in his hand was a glitteringmetallic framewo
traveller but now you begin to seethe object of my investig

从零开始实现上述循环神经网络模型，虽然有指导意义，但是并不方便。在下一节中，我们将学习如何改进循环神经网络模型。例如，如何使其实现地更容易，且运行速度更快。