python神经网络使用tensorflow构建长短时记忆LSTM

LSTM简介

1、RNN的梯度消失问题

在过去的时间里我们学习了RNN循环神经网络，其结构示意图是这样的：

其存在的最大问题是，当w1、w2、w3这些值小于0时，如果一句话够长，那么其在神经网络进行反向传播与前向传播时，存在梯度消失的问题。

0.925=0.07，如果一句话有20到30个字，那么第一个字的隐含层输出传递到最后，将会变为原来的0.07倍，相比于最后一个字的影响，大大降低。

其具体情况是这样的：

长短时记忆网络就是为了解决梯度消失的问题出现的。

2、LSTM的结构

原始RNN的隐藏层只有一个状态h，从头传递到尾，它对于短期的输入非常敏感。

如果我们再增加一个状态c，让它来保存长期的状态，问题就可以解决了。

对于RNN和LSTM而言，其两个step单元的对比如下。

我们把LSTM的结构按照时间维度展开：

我们可以看出，在n时刻，LSTM的输入有三个：

1、当前时刻网络的输入值；

2、上一时刻LSTM的输出值；

3、上一时刻的单元状态。

LSTM的输出有两个：

1、当前时刻LSTM输出值；

2、当前时刻的单元状态。

3、LSTM独特的门结构

LSTM用两个门来控制单元状态cn的内容：

1、遗忘门（forget gate），它决定了上一时刻的单元状态cn-1有多少保留到当前时刻；

2、输入门（input gate），它决定了当前时刻网络的输入c’n有多少保存到单元状态。

LSTM用一个门来控制当前输出值hn的内容：

输出门（output gate），它决定了当前时刻单元状态cn有多少输出。

tensorflow中LSTM的相关函数

tf.contrib.rnn.BasicLSTMCell

tf.contrib.rnn.BasicLSTMCell(
   num_units,
   forget_bias=1.0,
   state_is_tuple=True,
   activation=None,
   reuse=None,
   name=None,
   dtype=None
)

• num_units：RNN单元中的神经元数量，即输出神经元数量。

• forget_bias：偏置增加了忘记门。从CudnnLSTM训练的检查点(checkpoin)恢复时，必须手动设置为0.0。

• state_is_tuple：如果为True，则接受和返回的状态是c_state和m_state的2-tuple；如果为False，则他们沿着列轴连接。False即将弃用。

• activation：激活函数。

• reuse：描述是否在现有范围中重用变量。如果不为True，并且现有范围已经具有给定变量，则会引发错误。

• name：层的名称。

• dtype：该层的数据类型。

在使用时，可以定义为：

lstm_cell = tf.contrib.rnn.BasicLSTMCell(self.cell_size, forget_bias=1.0, state_is_tuple=True)

在定义完成后，可以进行状态初始化：

self.cell_init_state = lstm_cell.zero_state(self.batch_size, dtype=tf.float32)

tf.nn.dynamic_rnn

tf.nn.dynamic_rnn(
   cell,
   inputs,
   sequence_length=None,
   initial_state=None,
   dtype=None,
   parallel_iterations=None,
   swap_memory=False,
   time_major=False,
   scope=None
)

• cell：上文所定义的lstm_cell。

• inputs：RNN输入。如果time_major==false（默认），则必须是如下shape的tensor：[batch_size，max_time，…]或此类元素的嵌套元组。如果time_major==true，则必须是如下形状的tensor：[max_time，batch_size，…]或此类元素的嵌套元组。

• sequence_length：Int32/Int64矢量大小。用于在超过批处理元素的序列长度时复制通过状态和零输出。因此，它更多的是为了性能而不是正确性。

• initial_state：上文所定义的_init_state。

• dtype：数据类型。

• parallel_iterations：并行运行的迭代次数。那些不具有任何时间依赖性并且可以并行运行的操作将是。这个参数用时间来交换空间。值>>1使用更多的内存，但花费的时间更少，而较小的值使用更少的内存，但计算需要更长的时间。

• time_major：输入和输出tensor的形状格式。如果为真，这些张量的形状必须是[max_time，batch_size，depth]。如果为假，这些张量的形状必须是[batch_size，max_time，depth]。使用time_major=true会更有效率，因为它可以避免在RNN计算的开始和结束时进行换位。但是，大多数TensorFlow数据都是批处理主数据，因此默认情况下，此函数为False。

• scope：创建的子图的可变作用域；默认为“RNN”。

在LSTM的最后，需要用该函数得出结果。

self.cell_outputs, self.cell_final_state = tf.nn.dynamic_rnn(
lstm_cell, self.l_in_y, initial_state=self.cell_init_state, time_major=False)

返回的是一个元组 (outputs, state)：

outputs：LSTM的最后一层的输出，是一个tensor。如果为time_major== False，则它的shape为[batch_size,max_time,cell.output_size]。如果为time_major== True，则它的shape为[max_time,batch_size,cell.output_size]。

states：states是一个tensor。state是最终的状态，也就是序列中最后一个cell输出的状态。一般情况下states的形状为 [batch_size, cell.output_size]，但当输入的cell为BasicLSTMCell时，states的形状为[2，batch_size, cell.output_size ]，其中2也对应着LSTM中的cell state和hidden state。

整个LSTM的定义过程为：

def add_input_layer(self,):
       #X最开始的形状为(256 batch,28 steps,28 inputs)
       #转化为(256 batch*28 steps,128 hidden)
       l_in_x = tf.reshape(self.xs, [-1, self.input_size], name='to_2D')
       #获取Ws和Bs
       Ws_in = self._weight_variable([self.input_size, self.cell_size])
       bs_in = self._bias_variable([self.cell_size])
       #转化为(256 batch*28 steps,256 hidden)
       with tf.name_scope('Wx_plus_b'):
           l_in_y = tf.matmul(l_in_x, Ws_in) + bs_in
       # (batch * n_steps, cell_size) ==> (batch, n_steps, cell_size)
       # (256*28,256)->(256,28,256)
       self.l_in_y = tf.reshape(l_in_y, [-1, self.n_steps, self.cell_size], name='to_3D')
   def add_cell(self):
       #神经元个数
       lstm_cell = tf.contrib.rnn.BasicLSTMCell(self.cell_size, forget_bias=1.0, state_is_tuple=True)
       #每一次传入的batch的大小
       with tf.name_scope('initial_state'):
           self.cell_init_state = lstm_cell.zero_state(self.batch_size, dtype=tf.float32)
       #不是主列
       self.cell_outputs, self.cell_final_state = tf.nn.dynamic_rnn(
           lstm_cell, self.l_in_y, initial_state=self.cell_init_state, time_major=False)
   def add_output_layer(self):
       #设置Ws,Bs
       Ws_out = self._weight_variable([self.cell_size, self.output_size])
       bs_out = self._bias_variable([self.output_size])
       # shape = (batch,output_size)
       # (256,10)
       with tf.name_scope('Wx_plus_b'):
           self.pred = tf.matmul(self.cell_final_state[-1], Ws_out) + bs_out

全部代码

该例子为手写体识别例子，将手写体的28行分别作为每一个step的输入，输入维度均为28列。

import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
import numpy as np
mnist = input_data.read_data_sets("MNIST_data",one_hot = "true")
BATCH_SIZE = 256     # 每一个batch的数据数量
TIME_STEPS = 28      # 图像共28行，分为28个step进行传输
INPUT_SIZE = 28      # 图像共28列
OUTPUT_SIZE = 10     # 共10个输出
CELL_SIZE = 256      # RNN 的 hidden unit size，隐含层神经元的个数
LR = 1e-3            # learning rate，学习率
def get_batch():    #获取训练的batch
   batch_xs,batch_ys = mnist.train.next_batch(BATCH_SIZE)      
   batch_xs = batch_xs.reshape([BATCH_SIZE,TIME_STEPS,INPUT_SIZE])
   return [batch_xs,batch_ys]
class LSTMRNN(object):  #构建LSTM的类
   def __init__(self, n_steps, input_size, output_size, cell_size, batch_size):
       self.n_steps = n_steps
       self.input_size = input_size
       self.output_size = output_size
       self.cell_size = cell_size
       self.batch_size = batch_size
       #输入输出
       with tf.name_scope('inputs'):
           self.xs = tf.placeholder(tf.float32, [None, n_steps, input_size], name='xs')
           self.ys = tf.placeholder(tf.float32, [None, output_size], name='ys')
       #直接加层
       with tf.variable_scope('in_hidden'):
           self.add_input_layer()
       #增加LSTM的cell
       with tf.variable_scope('LSTM_cell'):
           self.add_cell()
       #直接加层
       with tf.variable_scope('out_hidden'):
           self.add_output_layer()
       #计算损失值
       with tf.name_scope('cost'):
           self.compute_cost()
       #训练
       with tf.name_scope('train'):
           self.train_op = tf.train.AdamOptimizer(LR).minimize(self.cost)
       #正确率计算
       self.correct_pre = tf.equal(tf.argmax(self.ys,1),tf.argmax(self.pred,1))
       self.accuracy = tf.reduce_mean(tf.cast(self.correct_pre,tf.float32))
   def add_input_layer(self,):
       #X最开始的形状为(256 batch,28 steps,28 inputs)
       #转化为(256 batch*28 steps,128 hidden)
       l_in_x = tf.reshape(self.xs, [-1, self.input_size], name='to_2D')
       #获取Ws和Bs
       Ws_in = self._weight_variable([self.input_size, self.cell_size])
       bs_in = self._bias_variable([self.cell_size])
       #转化为(256 batch*28 steps,256 hidden)
       with tf.name_scope('Wx_plus_b'):
           l_in_y = tf.matmul(l_in_x, Ws_in) + bs_in
       # (batch * n_steps, cell_size) ==> (batch, n_steps, cell_size)
       # (256*28,256)->(256,28,256)
       self.l_in_y = tf.reshape(l_in_y, [-1, self.n_steps, self.cell_size], name='to_3D')
   def add_cell(self):
       #神经元个数
       lstm_cell = tf.contrib.rnn.BasicLSTMCell(self.cell_size, forget_bias=1.0, state_is_tuple=True)
       #每一次传入的batch的大小
       with tf.name_scope('initial_state'):
           self.cell_init_state = lstm_cell.zero_state(self.batch_size, dtype=tf.float32)
       #不是主列
       self.cell_outputs, self.cell_final_state = tf.nn.dynamic_rnn(
           lstm_cell, self.l_in_y, initial_state=self.cell_init_state, time_major=False)
   def add_output_layer(self):
       #设置Ws,Bs
       Ws_out = self._weight_variable([self.cell_size, self.output_size])
       bs_out = self._bias_variable([self.output_size])
       # shape = (batch,output_size)
       # (256,10)
       with tf.name_scope('Wx_plus_b'):
           self.pred = tf.matmul(self.cell_final_state[-1], Ws_out) + bs_out
   def compute_cost(self):
       self.cost =  tf.reduce_mean(
           tf.nn.softmax_cross_entropy_with_logits(logits = self.pred,labels = self.ys)
           )
   def _weight_variable(self, shape, name='weights'):
       initializer = np.random.normal(0.0,1.0 ,size=shape)
       return tf.Variable(initializer, name=name,dtype = tf.float32)
   def _bias_variable(self, shape, name='biases'):
       initializer = np.ones(shape=shape)*0.1
       return tf.Variable(initializer, name=name,dtype = tf.float32)
if __name__ == '__main__':
   #搭建 LSTMRNN 模型
   model = LSTMRNN(TIME_STEPS, INPUT_SIZE, OUTPUT_SIZE, CELL_SIZE, BATCH_SIZE)
   sess = tf.Session()
   sess.run(tf.global_variables_initializer())
   #训练10000次
   for i in range(10000):
       xs, ys = get_batch()  #提取 batch data
       if i == 0:
       #初始化data
           feed_dict = {
                   model.xs: xs,
                   model.ys: ys,
           }
       else:
           feed_dict = {
               model.xs: xs,
               model.ys: ys,
               model.cell_init_state: state    #保持 state 的连续性
           }
       #训练
       _, cost, state, pred = sess.run(
           [model.train_op, model.cost, model.cell_final_state, model.pred],
           feed_dict=feed_dict)
       #打印精确度结果
       if i ％ 20 == 0:
           print(sess.run(model.accuracy,feed_dict = {
                   model.xs: xs,
                   model.ys: ys,
                   model.cell_init_state: state    #保持 state 的连续性
           }))

来源：https://blog.csdn.net/weixin_44791964/article/details/99411004