8.5 循环神经网络的从零开始实现
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。
%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
train_iter, vocab = d2l.load_data_time_machine(batch_size, num_steps) # 默认是随机读取
1. 独热编码
我们要把词转化为向量,最简单的方式就是利用词表构建独热编码,例如:
F.one_hot(torch.tensor([[1,3],[0, 2]]), 28)
这里 len(vocab)
为 28(26 个字母加上空格加上 unknown)
tensor([[[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, 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]],
[[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]]])
对一个张量计算 one_hot
,等价于把张量里所有元素变成一个向量,张量会升维,会在后面增加一个维度,例如原来是是
2. 初始化模型参数
主要有三个参数(绿色部分)
def get_params(vocab_size, num_hiddens, device):
num_inputs = num_outputs = vocab_size
def normal(shape):
return torch.randn(size=shape, device=device) * 0.01
# 隐藏层参数
W_xh = normal((num_inputs, num_hiddens))
W_hh = normal((num_hiddens, num_hiddens))
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
3. 循环神经网络实现
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,状态的隐藏单元数)
def init_rnn_state(batch_size, num_hiddens, device):
return (torch.zeros((batch_size, num_hiddens), device=device), )
def rnn(inputs, state, params):
# 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
H, = state
outputs = []
# X的形状:(批量大小,词表大小)
for X in inputs: # 对时间步进行循环
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)
return torch.cat(outputs, dim=0), (H,) # 输出堆叠起来
第 7 行:这里每次都是利用真实的 X 作为模型输入,它“强制”模型使用特定的、正确的输入数据,而不是上一步的预测值作为输入,这种训练叫做 "强制教学"(teacher forcing)
在没有使用强制教学的情况下,模型在训练过程中会基于自己之前生成的输出作为下一时间步的输入,如果模型在某一步生成了错误的输出,这个错误可能会影响到后续所有步骤的输出。
输出 Y 的示意图,列的方向就是特征的方向
上面的函数对一个时间步长的序列,计算 RNN 的下一个时间步的输出值,例如 input
是 [1,2,3,4]
输出就是 [2,3,4,5]
时刻的值,和当前状态
对每一个时间步来说,输出都是(批量大小,vocab_size
)的矩阵,现在把矩阵按竖的方向堆叠在一起(2.1 数据操作#^1c3eef), 所以大小为 (批量大小 vocab_size
)
创造一个类来包装这些函数
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
def __call__(self, X, state):
X = F.one_hot(X.T, self.vocab_size).type(torch.float32)
return self.forward_fn(X, state, self.params)
def begin_state(self, batch_size, device):
return self.init_state(batch_size, self.num_hiddens, device)
第 10 行:注意,这里输入的是 X 的转置,这样把时间维度放在第一维,在 for X in inputs
中对时间步进行循环
检查一下输出变量的 size:
X = torch.arange(10).reshape((2, 5))
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
(torch.Size([10, 28]), 1, torch.Size([2, 512]))
上面例子中:
- 批量大小 :2
- H 的维度(隐藏元个数):512
- 时间步:5
- Vocab size:28
所以输出的 Y 的大小为 vocab_size
),H 的大小为
4. 预测
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。
一个有意思的问题是,我们会用 prefix
来更新状态,达到预热的效果,但我们我不会用 prefix
来作为训练文本更新模型,因为 prefix
是用户的输入,如果用户输入脏话,会改变模型的输出,反而要校验用户的输入,这是一个得不偿失的事情
def predict_ch8(prefix, num_preds, net, vocab, device): #@save
"""在prefix后面生成新字符"""
state = net.begin_state(batch_size=1, device=device)
outputs = [vocab[prefix[0]]]
get_input = lambda: torch.tensor([outputs[-1]], device=device).reshape((1, 1))
for y in prefix[1:]: # 预热期
_, state = net(get_input(), state)
outputs.append(vocab[y])
for _ in range(num_preds): # 预测num_preds步
y, state = net(get_input(), state) # 输入的是一个词的序列
outputs.append(int(y.argmax(dim=1).reshape(1)))
return ''.join([vocab.idx_to_token[i] for i in outputs])
由于输入的 prefix 是一个序列,所以这里的批的大小为 1,每次都通过上一个词预测下一个词,在已知序列的情况下,原封不动的输出,只是调整隐藏状态值
predict_ch8('time traveller ', 10, net, vocab, d2l.try_gpu())
'time traveller aaaaaaaaaa'
5. 梯度裁剪
对于一个长序列,在时间维度可以看做一个
梯度很大时剪裁,梯度很小时不作任何操作
一个流行的替代方案是通过将梯度
通过这样做,我们知道梯度范数永远不会超过
def grad_clipping(net, theta): #@save
"""裁剪梯度"""
if isinstance(net, nn.Module):
params = [p for p in net.parameters() if p.requires_grad]
else:
params = net.params
norm = torch.sqrt(sum(torch.sum((p.grad ** 2)) for p in params))
if norm > theta:
for param in params:
param.grad[:] *= theta / norm
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。
#@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_()
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)
X, y = X.to(device), y.to(device)
y_hat, state = net(X, state)
l = loss(y_hat, y.long()).mean()
if isinstance(updater, torch.optim.Optimizer):
updater.zero_grad()
l.backward()
grad_clipping(net, 1)
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()
与之前训练函数不一样的地方:
- 状态的设置与相邻批次有关系,有随机抽样和顺序抽样两种,顺序抽样的状态值可以反复利用更新( 8.3 语言模型和数据集#^fdea36)(第 7 行),如果不需要原来的梯度,每个批来之后,梯度应该
detach
一下 2.1 数据操作,因为每个批的初始梯度都是新的变量 - 注意这里是转置,因为 Y 的每一行是一个批,每一列是一个时间步,我们要按照一个一个时间竖着抽取展平成向量(第 18 行)
- 我们在更新模型参数之前裁剪梯度(第 25 行)
- 注意这里的
y_hat
不用 one-hot,也不用任何的 softmax 操作,因为这些都内置在nn.CrossEntropyLoss()
里(Pytorch 中的损失函数#^b2e121)
#@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'))
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
time traveller for so it will be convenient to speak of himwas e
travelleryou can show black is white by argument said filby
困惑度达到 1.0,说明已经过拟合,主要原因是这个文本太小
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
思考题
一个简单地方式是直接把站点数据看做向量,相对于文本序列,直接省去 one-hot的步骤,最后要修改一下损失函数,不能直接用 向量-类别 这种 nn.CrossEntropyLoss
损失,但站点一般含有空间信息,直接构建向量是比较粗糙的,有其他方式例如图神经网络等