8.6 循环神经网络简洁实现

虽然8.5节所描述内容对了解循环神经网络的实现方式具有指导意义。但并不方便，将展示如何使用深度学习框架的高级API提供的函数更有效的使用相同的预言模型，我们仍然从读取时光机器数据集开始。

import torch

from torch import nn

from torch.nn import functional as F

from d2l import torch as d2l

batch_size, num_steps = 32, 33

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

8.6.1 定义模型

高级API提供了循环神经网络的实现，构建一个具有256个隐藏单元的单隐藏层的循环神经网络层rnn_layer，实际上，我们还没有讨论多层循环神经网络的意义，仅仅需要将多层理解为一层循环神经网络的输出被用作下一层循环神经网络的输入就足够了。

num_hiddens = 256

rnn_layer = nn.RNN(vocab, num_hiddens)

我们使用张量来初始化状态，他的形状时隐藏层数，批量大小，隐藏单元数

state = torch.zeros((l, batch_size, num_hiddens))

state.shape

torch.Size([1, 32, 256])

通过一个隐状态和一个输入，我们就可以用更新后的隐状态计算输出，需要强调的是，rnn_layer的输出 不涉及输出层的计算，它是指每个时间步的隐状态，这些隐状态可以用作后续输出层的输入。

X = torch.rand(size=(num_steps, batch_size, len(vocab)))

Y, state_new = rnn_layer(X, state)

1. shape, state_new.shape

(torch.Size([35, 32, 256])), torch.Size([1, 32, 256])

我们为一个完整的循环神经网络模型定义了一个RNNModel类，注意，rnn_layer 只包含隐藏的循环层，还需要创建一个单独的输出层

class RNNModel(nn.Module)

#循环神经网络模型

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是双向的，num_directions应该是2，否则应该是1

if not self.rnn.hidirectioanl:

self.num_directions = 1

self.linear = nn.Linear(self.num_hiddens, self.vocab_size)

else:

slef.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)

#全连接层首先将Y的形状为（时间步数 不等于批量大小，隐单元数）

#它的输出形状为（时间步数x批量大小，词表大小）

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的张量作为隐状态

return torch.zeros(self.num_directions * self.rnn.num_layers, batch_szie, self.num_hiddens), device = device

size:

#nn.LSTM以元组作为隐状态

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))

8.6.2 训练与预测

在训练之前，我们基于一个具有随机权重的模型进行预测

device = d2l.try_gpu()

net = RNNModel(rnn_layer, vocab_size=len(vocab))

net = net.to(device)

d2l.predict_ch8('time travller', 18, net, vocab, device)

很明显， 这种模型根本不能输出理想的结果，接下来，我们使用8.5节中定义的超参数调用train_ch8函数，并且使用高级API训练模型

num_epochs, lr = 500, 1

d2l.train_ch8(net, train_iter, vocab, lr, num_epochs, device)

与8.5节相比，深度学习框架的高级API对代码进行了更多的优化，该模型在较短的时间内达到了较低的困惑度。

小结：

深度学习框架的高级API提供了循环神经网络层的实现

高级API的循环神经网络层返回一个输出和一个更新后的隐状态，我们还需要计算整个模型的输出层

与从零开始实现的循环神经网络相比，使用高级API实现可以加速训练。