一、PTB模型
RNN 模型作为一个可以学习时间序列的模型被认为是深度学习中比较重要的一类模型。在Tensorflow的官方教程中，有两个与之相关的模型被实现出来。第一个模型是围绕着Zaremba的论文Recurrent Neural Network Regularization，以Tensorflow框架为载体进行的实验再现工作。第二个模型则是较为实用的英语法语翻译器。在这篇博客里，我会主要针对第一个模型的代码进行解析。在之后的随笔里我会进而解析英语法语翻译器的机能。
论文以及Tensorflow官方教程介绍：
Zaremba设计了一款带有regularization机制的RNN模型。该模型是基于RNN模型的一个变种，叫做LSTM。论文中，框架被运用在语言模型，语音识别，机器翻译以及图片概括等应用的建设上来验证架构的优越性。作为Tensorflow的官方demo，该模型仅仅被运用在了语言模型的建设上来试图重现论文中的数据。官方已经对他们的模型制作了一部教程，点击这里查看官方教程（英语版）。
代码解析：
代码可以在github找到，这里先放上代码地址。点击这里查看代码。
代码框架很容易理解，一开始，PTB模型被设计入了一个类。该类的init函数为多层LSTM语言模型的架构，代码如下：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
|
def
__init__(
self
, is_training, config):
self
.batch_size
=
batch_size
=
config.batch_size
self
.num_steps
=
num_steps
=
config.num_steps
size
=
config.hidden_size
vocab_size
=
config.vocab_size
#这里是定义输入tensor的placeholder，我们可见这里有两个输入，
# 一个是数据，一个是目标
self
._input_data
=
tf.placeholder(tf.int32, [batch_size, num_steps])
self
._targets
=
tf.placeholder(tf.int32, [batch_size, num_steps])
# Slightly better results can be obtained with forget gate biases
# initialized to 1 but the hyperparameters of the model would need to be
# different than reported in the paper.
# 这里首先定义了一单个lstm的cell，这个cell有五个parameter，依次是
# number of units in the lstm cell, forget gate bias, 一个已经deprecated的
# parameter input_size, state_is_tuple=False, 以及activation=tanh.这里我们
# 仅仅用了两个parameter,即size，也就是隐匿层的单元数量以及设forget gate
# 的bias为0. 上面那段英文注视其实是说如果把这个bias设为1效果更好，虽然
# 会制造出不同于原论文的结果。
lstm_cell
=
tf.nn.rnn_cell.BasicLSTMCell(size, forget_bias
=
0.0
)
if
is_training
and
config.keep_prob <
1
:
# 在训练以及为输出的保留几率小于1时
# 这里这个dropoutwrapper其实是为每一个lstm cell的输入以及输出加入了dropout机制
lstm_cell
=
tf.nn.rnn_cell.DropoutWrapper(
lstm_cell, output_keep_prob
=
config.keep_prob)
# 这里的cell其实就是一个多层的结构了。它把每一曾的lstm cell连在了一起得到多层
# 的RNN
cell
=
tf.nn.rnn_cell.MultiRNNCell([lstm_cell]
*
config.num_layers)
# 根据论文地4页章节4.1，隐匿层的初始值是设为0
self
._initial_state
=
cell.zero_state(batch_size, tf.float32)
with tf.device(
"/cpu:0"
):
# 设定embedding变量以及转化输入单词为embedding里的词向量（embedding_lookup函数）
embedding
=
tf.get_variable(
"embedding"
, [vocab_size, size])
inputs
=
tf.nn.embedding_lookup(embedding,
self
._input_data)
if
is_training
and
config.keep_prob <
1
:
# 对输入进行dropout
inputs
=
tf.nn.dropout(inputs, config.keep_prob)
# Simplified version of tensorflow.models.rnn.rnn.py's rnn().
# This builds an unrolled LSTM for tutorial purposes only.
# In general, use the rnn() or state_saving_rnn() from rnn.py.
#
# The alternative version of the code below is:
#
# from tensorflow.models.rnn import rnn
# inputs = [tf.squeeze(input_, [1])
# for input_ in tf.split(1, num_steps, inputs)]
# outputs, state = rnn.rnn(cell, inputs, initial_state=self._initial_state)
outputs
=
[]
state
=
self
._initial_state
with tf.variable_scope(
"RNN"
):
for
time_step
in
range
(num_steps):
if
time_step >
0
: tf.get_variable_scope().reuse_variables()
# 从state开始运行RNN架构，输出为cell的输出以及新的state.
(cell_output, state)
=
cell(inputs[:, time_step, :], state)
outputs.append(cell_output)
# 输出定义为cell的输出乘以softmax weight w后加上softmax bias b. 这被叫做logit
output
=
tf.reshape(tf.concat(
1
, outputs), [
-
1
, size])
softmax_w
=
tf.get_variable(
"softmax_w"
, [size, vocab_size])
softmax_b
=
tf.get_variable(
"softmax_b"
, [vocab_size])
logits
=
tf.matmul(output, softmax_w)
+
softmax_b
# loss函数是average negative log probability, 这里我们有现成的函数sequence_loss_by_example
# 来达到这个效果。
loss
=
tf.nn.seq2seq.sequence_loss_by_example(
[logits],
[tf.reshape(
self
._targets, [
-
1
])],
[tf.ones([batch_size
*
num_steps])])
self
._cost
=
cost
=
tf.reduce_sum(loss)
/
batch_size
self
._final_state
=
state
if
not
is_training:
return
# learning rate
self
._lr
=
tf.Variable(
0.0
, trainable
=
False
)
tvars
=
tf.trainable_variables()
# 根据张量间的和的norm来clip多个张量
grads, _
=
tf.clip_by_global_norm(tf.gradients(cost, tvars),
config.max_grad_norm)
# 用之前的变量learning rate来起始梯度下降优化器。
optimizer
=
tf.train.GradientDescentOptimizer(
self
.lr)
# 一般的minimize为先取compute_gradient,再用apply_gradient
# 这里我们不需要compute gradient, 所以直接等于叫了minimize函数的后半段。
self
._train_op
=
optimizer.apply_gradients(
zip
(grads, tvars))
##
|
上面的代码注释已就框架进行了解释。但我有意的留下了一个最为关键的部分没有解释，即variable_scope以及reuse_variable函数。该类函数有什么特殊意义呢？我们这里先卖个关子，下面的内容会就这个问题深入探究。
模型建立好后该类还有其他如assign_lr(self,session,lr_value)以及property函数如input_data(self). 这些函数浅显易懂，就不在这里解释了。
之后，官方代码设计了小模型（原论文中没有regularized的模型）外，还原了论文里的中等模型以及大模型。这些模型是基于同样的框架，不过不同在迭代数，神经元数以及dropout概率等地方。另有由于小模型的keep_prob概率被设计为1,将不会运用dropout。
另外，由于系统的运行是在terminal里输入”python 文件名 --参数 参数值“格式，名为get_config()的函数的意义在于把用户输入，如small，换算成运用SmallConfig()类。
最后，我们来看一看main函数以及run_epoch函数。首先来看下run_epoch：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
|
def
run_epoch(session, m, data, eval_op, verbose
=
False
):
"""Runs the model on the given data."""
epoch_size
=
((
len
(data)
/
/
m.batch_size)
-
1
)
/
/
m.num_steps
start_time
=
time.time()
costs
=
0.0
iters
=
0
state
=
m.initial_state.
eval
()
# ptb_iterator函数在接受了输入，batch size以及运行的step数后输出
# 步骤数以及每一步骤所对应的一对x和y的batch数据，大小为[batch_size, num_step]
for
step, (x, y)
in
enumerate
(reader.ptb_iterator(data, m.batch_size,
m.num_steps)):
# 在函数传递入的session里运行rnn图的cost和 fina_state结果，另外也计算eval_op的结果
# 这里eval_op是作为该函数的输入。
cost, state, _
=
session.run([m.cost, m.final_state, eval_op],
{m.input_data: x,
m.targets: y,
m.initial_state: state})
costs
+
=
cost
iters
+
=
m.num_steps
# 每一定量运行后输出目前结果
if
verbose
and
step
%
(epoch_size
/
/
10
)
=
=
10
:
print
(
"%.3f perplexity: %.3f speed: %.0f wps"
%
(step
*
1.0
/
epoch_size, np.exp(costs
/
iters),
iters
*
m.batch_size
/
(time.time()
-
start_time)))
return
np.exp(costs
/
iters)
|
main函数：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
|
def
main(_):
# 需要首先确认输入数据的path，不然没法训练模型
if
not
FLAGS.data_path:
raise
ValueError(
"Must set --data_path to PTB data directory"
)
# 读取输入数据并将他们拆分开
raw_data
=
reader.ptb_raw_data(FLAGS.data_path)
train_data, valid_data, test_data, _
=
raw_data
# 读取用户输入的config，这里用具决定了是小，中还是大模型
config
=
get_config()
eval_config
=
get_config()
eval_config.batch_size
=
1
eval_config.num_steps
=
1
# 建立了一个default图并开始session
with tf.Graph().as_default(), tf.Session() as session:
#先进行initialization
initializer
=
tf.random_uniform_initializer(
-
config.init_scale,
config.init_scale)
#注意，这里就是variable scope的运用了！
with tf.variable_scope(
"model"
, reuse
=
None
, initializer
=
initializer):
m
=
PTBModel(is_training
=
True
, config
=
config)
with tf.variable_scope(
"model"
, reuse
=
True
, initializer
=
initializer):
mvalid
=
PTBModel(is_training
=
False
, config
=
config)
mtest
=
PTBModel(is_training
=
False
, config
=
eval_config)
tf.initialize_all_variables().run()
for
i
in
range
(config.max_max_epoch):
# 递减learning rate
lr_decay
=
config.lr_decay
*
*
max
(i
-
config.max_epoch,
0.0
)
m.assign_lr(session, config.learning_rate
*
lr_decay)
#打印出perplexity
print
(
"Epoch: %d Learning rate: %.3f"
%
(i
+
1
, session.run(m.lr)))
train_perplexity
=
run_epoch(session, m, train_data, m.train_op,
verbose
=
True
)
print
(
"Epoch: %d Train Perplexity: %.3f"
%
(i
+
1
, train_perplexity))
valid_perplexity
=
run_epoch(session, mvalid, valid_data, tf.no_op())
print
(
"Epoch: %d Valid Perplexity: %.3f"
%
(i
+
1
, valid_perplexity))
test_perplexity
=
run_epoch(session, mtest, test_data, tf.no_op())
print
(
"Test Perplexity: %.3f"
%
test_perplexity)
|
还记得之前卖的关子么？这个重要的variable_scope函数的目的其实是允许我们在保留模型权重的情况下运行多个模型。首先，从RNN的根源上说，因为输入输出有着时间关系，我们的模型在训练时每此迭代都要运用到之前迭代的结果，所以如果我们直接使用(cell_output, state) = cell(inputs[:, time_step, :], state)我们可能会得到一堆新的RNN模型，而不是我们所期待的前一时刻的RNN模型。再看main函数，当我们训练时，我们需要的是新的模型，所以我们在定义了一个scope名为model的模型时说明了我们不需要使用以存在的参数，因为我们本来的目的就是去训练的。而在我们做validation和test的时候呢？训练新的模型将会非常不妥，所以我们需要运用之前训练好的模型的参数来测试他们的效果，故定义reuse=True。这个概念有需要的朋友可以参考Tensorflow的官方文件对共享变量的描述。
好了，我们了解了这个模型代码的架构以及运行的机制，那么他在实际运行中效果如何呢？让我们来实际测试一番。由于时间问题，我只运行了小模型，也就是不用dropout的模型。运行方式为在ptb_word_lm.py的文件夹下输入python ptb_word_lm.py --data_path=/tmp/simple-examples/data/ --model small。这里需要注意的是你需要下载simple-examples.tar.gz包，下载地址点击这里。运行结果如下：
这里简便的放入了最后结果，我们可见，在13个epoch时，我们的测试perplexity为117.605, 对应了论文里non-regularized LSTM的114.5，运行时间约5到6小时。
二、character-RNN模型
RNN是一个很有意思的模型。早在20年前就有学者发现了它强大的时序记忆能力，另外学术界以证实RNN模型属于Turning-Complete，即理论上可以模拟任何函数。但实际运作上，一开始由于vanishing and exploiting gradient问题导致BPTT算法学习不了长期记忆。虽然之后有了LSTM（长短记忆）模型对普通RNN模型的修改，但是训练上还是公认的比较困难。在Tensorflow框架里，之前的两篇博客已经就官方给出的PTB和Machine Translation模型进行了讲解，现在我们来看一看传说中的机器写诗的模型。原模型出自安德烈.卡帕西大神的char-rnn项目，意在显示RNN强大的能力以及并非那么困难的训练方法。对这个方面有兴趣的朋友请点击这里查看详情。原作的框架为Torch，点击这里查看原作代码。中山大学的zhangzibin以卡帕西大神的代码为样本制作了一款基于卡帕西RNN模型以及Samy Bengio（Bengio大神的亲弟弟）提出的Schedule Sampling算法的可运行中文的RNN模型，源代码请点击这里查看。作为Tensorflow的玩家，我本人当然很想了解下这个框架的运行情况，特别是在Tensorflow框架里的运行情况。好在有人已经捷足先登，将代码移植完毕了。今天我们就来看看这个神奇框架在Tensorflow下的代码。对该项目感兴趣的朋友可以在这里下载到项目的源码并在自己的机器上运行。
https://github.com/tensorflow/models/tree/master/tutorials/rnn/ptb
https://github.com/tensorflow/tensorflow
https://github.com/sherjilozair/char-rnn-tensorflow
http://www.cnblogs.com/edwardbi/p/5554353.html
http://www.cnblogs.com/edwardbi/p/5573951.html
本文转自stock0991 51CTO博客，原文链接：http://blog.51cto.com/qing0991/1913017，如需转载请自行联系原作者
微信关注我们
转载内容版权归作者及来源网站所有！
低调大师中文资讯倾力打造互联网数据资讯、行业资源、电子商务、移动互联网、网络营销平台。持续更新报道IT业界、互联网、市场资讯、驱动更新,是最及时权威的产业资讯及硬件资讯报道平台。
近一个月的开发和优化，本站点的第一个app全新上线。该app采用极致压缩，本体才4.36MB。系统里面做了大量数据访问、缓存优化。方便用户在手机上查看文章。后续会推出HarmonyOS的适配版本。
为解决软件依赖安装时官方源访问速度慢的问题，腾讯云为一些软件搭建了缓存服务。您可以通过使用腾讯云软件源站来提升依赖包的安装速度。为了方便用户自由搭建服务架构，目前腾讯云软件源站支持公网访问和内网访问。
Rocky Linux（中文名：洛基）是由Gregory Kurtzer于2020年12月发起的企业级Linux发行版，作为CentOS稳定版停止维护后与RHEL（Red Hat Enterprise Linux）完全兼容的开源替代方案，由社区拥有并管理，支持x86_64、aarch64等架构。其通过重新编译RHEL源代码提供长期稳定性，采用模块化包装和SELinux安全架构，默认包含GNOME桌面环境及XFS文件系统，支持十年生命周期更新。
Sublime Text具有漂亮的用户界面和强大的功能，例如代码缩略图，Python的插件，代码段等。还可自定义键绑定，菜单和工具栏。Sublime Text 的主要功能包括：拼写检查，书签，完整的 Python API ， Goto 功能，即时项目切换，多选择，多窗口等等。Sublime Text 是一个跨平台的编辑器，同时支持Windows、Linux、Mac OS X等操作系统。
扫码在手机上查看文章
扫描二维码，手机阅读更方便
有任何问题或合作意向欢迎联系我们
Email: 99873273@qq.com
QQ: 99873273