您当前位置：首页 > 服务器 > Google深度学习笔记循环神经网络实践

Google深度学习笔记循环神经网络实践

来源：程序员人生发布时间：2016-08-09 08:10:46 阅读次数：3398次

转载请注明作者：梦里风林
Github工程地址：https://github.com/ahangchen/GDLnotes
欢迎star，有问题可以到Issue区讨论
官方教程地址
视频/字幕下载

加载数据

使用text8作为训练的文本数据集

text8中只包括27种字符：小写的从a到z，和空格符。如果把它打出来，读起来就像是去掉了所有标点的wikipedia。

直接调用lesson1中maybe_download下载text8.zip
用zipfile读取zip内容为字符串，并拆分成单词list
用connections模块统计单词数量并找出最多见的单词

达成随机取数据的目标

构造计算单元

embeddings = tf.Variable(
        tf.random_uniform([vocabulary_size, embedding_size], -1.0, 1.0))

构造1个vocabulary_size x embedding_size的矩阵，作为embeddings容器，
有vocabulary_size个容量为embedding_size的向量，每一个向量代表1个vocabulary，
每一个向量的中的份量的值都在⑴到1之间随机散布

embed = tf.nn.embedding_lookup(embeddings, train_dataset)

调用tf.nn.embedding_lookup，索引与train_dataset对应的向量，相当于用train_dataset作为1个id，去检索矩阵中与这个id对应的embedding

loss = tf.reduce_mean(
        tf.nn.sampled_softmax_loss(softmax_weights, softmax_biases, embed,
                                   train_labels, num_sampled, vocabulary_size))

采样计算训练损失

optimizer = tf.train.AdagradOptimizer(1.0).minimize(loss)

自适应梯度调理器，调理embedding列表的数据，使得偏差最小
预测，并用cos值计算预测向量与实际数据的夹角作为预测准确度（类似度）指标

传入数据进行训练

切割数据用于训练，其中：

data_index = (data_index + 1) % len(data)

照旧是每次取1部份随机数据传入
- 等距离截取1小段文本
- 构造训练集：每一个截取窗口的中间位置作为1个train_data
- 构造标签：每一个截取窗口中，除train_data以外的部份，随机取几个成为1个list，作为label（这里只随机取了1个）
- 这样就构成了根据目标辞汇预测上下文的机制，即Skip-gram
训练100001次，每2000次输出这两千次的平均损失
每10000次计算类似度，并输出与验证集中的词最接近的辞汇列表
用tSNE降维显现辞汇接近程度
用matplotlib绘制结果

实现代码见word2vec.py

CBOW

上面训练的是Skip-gram模型，是根据目标辞汇预测上下文，而word2vec还有1种方式，CBOW，根据上下文预测目标辞汇。

实际上就是将Skip-gram中的输入输出反过来。

修改截取数据的方式
- 构造标签：每一个截取窗口的中间位置作为1个train_label
- 构造训练集：每一个截取窗口中，除train_label以外的部份，作为train_data（这里只随机取了1个）
- 这样就构成了根据上下文预测目标辞汇的机制，即CBOW
分别从embeding里找到train_data里每一个word对应的vector，用tf.reduce_sum将其相加，将相加结果与train_label比较

# Look up embeddings for inputs.
embed = tf.nn.embedding_lookup(embeddings, train_dataset)
# sum up vectors on first dimensions, as context vectors
embed_sum = tf.reduce_sum(embed, 0)

训练中照旧是调理embeding的参数来优化loss
训练结果以下图，可以看到不同单词的接近程度

代码见：
cbow.py

RNN 造句

整体思路是，以1个文本中的1个词作为train data，后续的所有词作为train label，从而能够根据1个给定词，预测后续的片断。

训练数据

BatchGenerator
- text: 全部的文本数据
- text_size：全部文本的字符串长度
- batch_size：每段训练数据的大小
- num_unrollings：要生成的训练数据段的数目
- segment：全部训练数据集可以分成几个训练数据片断
- cursor：重要，
- 1开始记录每一个训练数据片断的起始位置坐标，即这个片断位于text的哪一个index
- 履行next_batch生成1个训练数据的时候，游标会从初始位置自增，直到取够batch_size个数据
- last_batch：上1个训练数据片断
- 每调用1次next，生成1个num_unrollings长的array，以last_batch开头，随着num_unrollings个batch
- 每一个batch的作为train_input，每一个batch后面的1个batch作为train_label，每一个step训练num_unrolling个batch

lstm-cell

为了解决消失的梯度问题，引入lstm-cell，增强model的记忆能力
根据这篇论文设计lstm-cell: http://arxiv.org/pdf/1402.1128v1.pdf
分别有3个门：输入门，遗忘门，输出门，构成1个cell
- 输入数据是num_nodes个词，可能有vocabulary_size种词
- 输入门：

input_gate = sigmoid(i * ix + o * im + ib)

- 给输入乘1个vocabulary_size * num_nodes大小的矩阵，给输出乘1个num_nodes * num_nodes大小的矩阵;
- 用这两个矩阵调理对输入数据的取舍程度
- 用sigmoid这个非线性函数进行激活

遗忘门：

forget_gate = sigmoid(i * fx + o * fm + fb)

思路同输入门，用以对历史数据做取舍

输出门：

output_gate = sigmoid(i * ox + o * om + ob)

思路同输入门，用以对输出状态做取舍

组合：

  update = i * cx + o * cm + cb
  state = forget_gate * state + input_gate * tanh(update)
  lstm_cell = output_gate * tanh(state)

- 用一样的方式构造新状态update
- 用遗忘门处理历史状态state
- 用tanh激活新状态update
- 用输入门处理新状态update
- 整合新旧状态，再用tanh激活状态state
- 用输出门处理state

lstm优化

上面的cell中，update，output_gate，forget_gate，input_gate计算方法都是1样的，
可以把4组参数分别合并，1次计算，再分别取出：

values = tf.split(1, gate_count, tf.matmul(i, input_weights) + tf.matmul(o, output_weights) + bias)
input_gate = tf.sigmoid(values[0])
forget_gate = tf.sigmoid(values[1])
update = values[2]

再将lstm-cell的输出扔到1个WX+b中调剂作为输出

实现代码见singlew_lstm.py

Optimizer

采取one-hot encoding作为label预测
采取交叉熵计算损失
引入learning rate decay

Flow

填入训练数据到placeholder中
验证集的准确性用logprob来计算，即对可能性取对数
每10次训练随机挑取5个字母作为起始词，进行造句测试
你可能注意到输出的sentence是由sample得到的词组成的，而非选择几率最高的词，这是由于，如果1直取几率最高的词，最后会1直重复这个几率最高的词

实现代码见lstm.py

Beam Search

上面的流程里，每次都是以1个字符作为单位，可使用多1点的字符做预测，取最高几率的那个，避免特殊情况致使的误判

在这里我们增加字符为2个，构成bigram，代码见：bigram_lstm.py

主要通过BigramBatchGenerator类实现

Embedding look up

由于bigram情况下，vocabulary_size变成 27*27个，使用one-hot encoding 做predict的话会产生非常稀疏的矩阵，浪费算力，计算速度慢

因此引入embedding_lookup,代码见embed_bigram_lstm.py

数据输入：BatchGenerator不再生成one-hot-encoding的向量作为输入，而是直接生成bigram对应的index列表
embedding look up调剂embedding，使bigram与vector对应起来
将embedding look up的结果喂给lstm cell便可
输出时，需要将label和output都转为One-hot-encoding，才能用交叉熵和softmax计算损失
在tensor里做data到one-hot-encoding转换时，主要依赖tf.gather函数
在对valid数据做转换时，主要依赖one_hot_voc函数

Drop out

在lstm cell中对input和output做drop out
Refer to this article

Seq2Seq

最后1个问题是，将1个句子中每一个词转为它的逆序字符串，也就是1个seq到seq的转换
正经的实现思路是，word 2 vector 2 lstm 2 vector 2 word
不过tensorflow已有了这样1个模型来做这件事情：Seq2SeqModel，关于这个模型可以看这个分析
和tensorflow的example
只需要从batch中，根据字符串逆序的规律生成target sequence，放到seq2seqmodel里便可，主要依赖rev_id函数
实现见seq2seq.py
注意，用Seq2SeqModel的时候，size和num_layer会在学习到正确的规律前就收敛，我把它调大了1点

def create_model(sess, forward_only):
    model = seq2seq_model.Seq2SeqModel(source_vocab_size=vocabulary_size,
                                       target_vocab_size=vocabulary_size,
                                       buckets=[(20, 21)],
                                       size=256,
                                       num_layers=4,
                                       max_gradient_norm=5.0,
                                       batch_size=batch_size,
                                       learning_rate=1.0,
                                       learning_rate_decay_factor=0.9,
                                       use_lstm=True,
                                       forward_only=forward_only)
    return model

参数含义
- source_vocab_size: size of the source vocabulary.
- target_vocab_size: size of the target vocabulary.
- buckets: a list of pairs (I, O), where I specifies maximum input length
  that will be processed in that bucket, and O specifies maximum output
  length. Training instances that have inputs longer than I or outputs
  longer than O will be pushed to the next bucket and padded accordingly.
  We assume that the list is sorted, e.g., [(2, 4), (8, 16)].
- size: number of units in each layer of the model.
- num_layers: number of layers in the model.
- max_gradient_norm: gradients will be clipped to maximally this norm.
- batch_size: the size of the batches used during training;
  the model construction is independent of batch_size, so it can be
  changed after initialization if this is convenient, e.g., for decoding.
- learning_rate: learning rate to start with.
- learning_rate_decay_factor: decay learning rate by this much when needed.
- use_lstm: if true, we use LSTM cells instead of GRU cells.
- num_samples: number of samples for sampled softmax.
- forward_only: if set, we do not construct the backward pass in the model.