注册网站免费,网站制作方案中哪几个点比较重要,免费合作推广,免费软件下载app单向/双向#xff0c;单层/多层RNN输入输出维度问题 RNN单层单向RNNRnn CellRnn 双层单向RNN单层双向RNN双层双向RNN RNN
单层单向RNN
Rnn Cell
循环神经网络最原始的Simple RNN实现如下图所示: 下面写出单个时间步对应的Rnn Cell计算公式: 如果用矩阵运算视角来看待的话单层/多层RNN输入输出维度问题 RNN单层单向RNNRnn CellRnn 双层单向RNN单层双向RNN双层双向RNN RNN
单层单向RNN
Rnn Cell
循环神经网络最原始的Simple RNN实现如下图所示: 下面写出单个时间步对应的Rnn Cell计算公式: 如果用矩阵运算视角来看待的话单个时间步对应的Rnn Cell计算过程如下图所示: 代码示例如下:
import torchbatch_size 2 # 批量大小
seq_len 3 # 序列长度(单个RNN层包含的Time Step数量)
input_size 4 # 输入数据的维度
hidden_size 2 # 隐藏层的维度cell torch.nn.RNNCell(input_sizeinput_size, hidden_sizehidden_size)
dataset torch.rand(seq_len, batch_size, input_size)
hidden torch.zeros(batch_size, hidden_size)# 使用Rnn Cell加循环实现一个Rnn层处理一批输入序列的过程
for idx, input in enumerate(dataset):print(*10,idx,*10)print(input size:, input.shape)hidden cell(input, hidden)print(outputs size:, hidden.shape)print(hidden)输出: 0
input size: torch.Size([2, 4])
outputs size: torch.Size([2, 2])
tensor([[ 0.1077, -0.7972],[-0.1070, -0.9517]], grad_fnTanhBackward0)1
input size: torch.Size([2, 4])
outputs size: torch.Size([2, 2])
tensor([[-0.4524, -0.8874],[ 0.0443, -0.9716]], grad_fnTanhBackward0)2
input size: torch.Size([2, 4])
outputs size: torch.Size([2, 2])
tensor([[-0.2941, -0.9751],[-0.3554, -0.9399]], grad_fnTanhBackward0)图解运算过程:
输入数据采用三维来表示 (序列长度批量大小输入向量维度) , 将序列长度作为第0维是因为这样可以很方便的将同属于一个Time Step处理的批次序列数据第i个词一次性送入Rnn Cell中处理。 隐藏层输出的向量为Rnn Cell对当前Time Step输入的 x t x_{t} xt和 h t − 1 h_{t-1} ht−1做完信息融合和空间变换后得到的结果其维度可以保持与输入 x t x_{t} xt一致或者降低维度。 由Rnn Cell内的权重矩阵 W i h W_{ih} Wih负责完成对输入 x t x_{t} xt的线性变换使其由输入维度input_size变为hidden_size; 然后通过加法运算与同样处理的 h t − 1 h_{t-1} ht−1做信息融合再通过tanh激活做一次非线性变换增强模型拟合数据的能力。 大家重点关注Rnn Cell如何在一个Time Step内同时处理一批数据的过程。 关于Rnn Cell内部具体的运算过程还可以简化为一次矩阵乘法运算完成如下图所示: Rnn
我们将上文用Rnn Cell加循环实现的例子通过Rnn层来实现一遍:
import torchbatch_size 2 # 批量大小
seq_len 3 # 序列长度(单个RNN层包含的Time Step数量)
input_size 4 # 输入数据的维度
hidden_size 2 # 隐藏层的维度rnn torch.nn.RNN(input_sizeinput_size, hidden_sizehidden_size,num_layers1)
dataset torch.rand(seq_len, batch_size, input_size)
hidden torch.zeros(1,batch_size, hidden_size) # 此处1为RNN层数,下文会讲out, hidden rnn(dataset, hidden)
print(output size:, out.shape)
print(Hidden size:, hidden.shape)输出:
output size: torch.Size([3, 2, 2])
Hidden size: torch.Size([1, 2, 2])Rnn可以一次性处理完输入的批量序列数据并返回处理后的结果和最后一个Time Step隐藏层的输出结果返回结果的维度解释如下:
out(序列长度批量大小隐藏层维度)hidden: (隐藏层层数批量大小隐藏层维度 上图中按照Time Step维度展开的Rnn Cell为同一个实例对象也就是上文中最开始给出的Rnn Cell加循环的图解过程所以不同Time Step处理时涉及到的权重矩阵是共享的。 双层单向RNN
双层单向RNN处理的流程如下图所示:
我们下面通过代码来验证一下:
import torchbatch_size 2 # 批量大小
seq_len 3 # 序列长度(单个RNN层包含的Time Step数量)
input_size 4 # 输入数据的维度
hidden_size 2 # 隐藏层的维度rnn torch.nn.RNN(input_sizeinput_size, hidden_sizehidden_size,num_layers2)
dataset torch.rand(seq_len, batch_size, input_size)
hidden torch.zeros(2,batch_size, hidden_size) # 此处1为RNN层数,下文会讲out, hidden rnn(dataset, hidden)
print(output size:, out.shape)
print(Hidden size:, hidden.shape)输出:
output size: torch.Size([3, 2, 2])
Hidden size: torch.Size([2, 2, 2])改为双层RNN后我们初始化输入的隐藏层向量要同时为层1的RNN和层2的RNN都提供因此hidden的第一维num_layers要变为2; 同理我们最终处理完毕后会得到层1和层2的最后一个Time Step的输出因此返回的hidden维度第一维也是2。
out(序列长度批量大小隐藏层维度)hidden: (隐藏层层数批量大小隐藏层维度 单层双向RNN
单层双向RNN处理的流程如下图所示: 我们下面通过代码来验证一下:
import torchbatch_size 2 # 批量大小
seq_len 3 # 序列长度(单个RNN层包含的Time Step数量)
input_size 4 # 输入数据的维度
hidden_size 2 # 隐藏层的维度rnn torch.nn.RNN(input_sizeinput_size, hidden_sizehidden_size,num_layers1,bidirectionalTrue)
dataset torch.rand(seq_len, batch_size, input_size)
hidden torch.zeros(2,batch_size, hidden_size) # 此处1为RNN层数,下文会讲out, hidden rnn(dataset, hidden)
print(output size:, out.shape)
print(Hidden size:, hidden.shape)输出:
output size: torch.Size([3, 2, 4])
Hidden size: torch.Size([2, 2, 2])当我们考虑双向时最终输出得到的out和hidden维度都会发生改变
out(序列长度批量大小隐藏层维度*2)hidden: (隐藏层层数*2批量大小隐藏层维度
当设置RNN为双向后在每一个Time Step我们会得到正向和反向计算的两份输出因此每个Time Step隐藏层的输出为正向和反向输出的concat这里的concat运算过程如下所示:
# 维度: (序列长度,批量大小,隐藏层维度) -- [3,2,4]
# 假设正向RNN输出如下
forward_outputs torch.tensor([[[0.1, 0.2, 0.3, 0.4], [0.5, 0.6, 0.7, 0.8]], # t0[[0.9, 1.0, 1.1, 1.2], [1.3, 1.4, 1.5, 1.6]], # t1[[1.7, 1.8, 1.9, 2.0], [2.1, 2.2, 2.3, 2.4]] # t2
])
# 假设反向RNN输出如下
backward_outputs torch.tensor([[[2.5, 2.6, 2.7, 2.8], [2.9, 3.0, 3.1, 3.2]], # t0[[3.3, 3.4, 3.5, 3.6], [3.7, 3.8, 3.9, 4.0]], # t1[[4.1, 4.2, 4.3, 4.4], [4.5, 4.6, 4.7, 4.8]] # t2
])
# 拼接concatenation后的结果如下
concatenated_outputs torch.tensor([[[0.1, 0.2, 0.3, 0.4, 2.5, 2.6, 2.7, 2.8], [0.5, 0.6, 0.7, 0.8, 2.9, 3.0, 3.1, 3.2]], # t0[[0.9, 1.0, 1.1, 1.2, 3.3, 3.4, 3.5, 3.6], [1.3, 1.4, 1.5, 1.6, 3.7, 3.8, 3.9, 4.0]], # t1[[1.7, 1.8, 1.9, 2.0, 4.1, 4.2, 4.3, 4.4], [2.1, 2.2, 2.3, 2.4, 4.5, 4.6, 4.7, 4.8]] # t2
])同理采用双向RNN后正向和反向的最后一个Time Step计算完后都会得到一个hidden输出因此最终计算完返回的hidden第一维是2我们初始化时也要同时给出正向和反向RNN的hidden因此初始化输入的hidden第一维也是2。 双层双向RNN
双层双向RNN处理流程如下:
第一层双向 RNN 正向 RNN 从序列的开始到结束处理数据。反向 RNN 从序列的结束到开始处理数据。两个方向的输出在每个时间步上进行拼接形成第一层的输出。 第二层双向 RNN 第二层的输入是第一层的输出。第二层的正向 RNN 从第一层的输出序列的开始到结束处理数据。第二层的反向 RNN 从第一层的输出序列的结束到开始处理数据。两个方向的输出在每个时间步上进行拼接形成第二层的输出。
我们下面通过代码来验证一下:
import torchbatch_size 2 # 批量大小
seq_len 3 # 序列长度(单个RNN层包含的Time Step数量)
input_size 4 # 输入数据的维度
hidden_size 2 # 隐藏层的维度rnn torch.nn.RNN(input_sizeinput_size, hidden_sizehidden_size,num_layers2,bidirectionalTrue)
dataset torch.rand(seq_len, batch_size, input_size)
hidden torch.zeros(2*2,batch_size, hidden_size) # 此处1为RNN层数,下文会讲out, hidden rnn(dataset, hidden)
print(output size:, out.shape)
print(Hidden size:, hidden.shape)通过断点debug可以看到rnn对象实例内部各层权重矩阵的维度:
重点关注weight_ih_l1 和 weight_ih_l1_reverse 这两个权重矩阵分别为第二层RNN的正向和反向层对应的输入数据的权重矩阵可以看到其维度为[4,2] (X*W.T这里给出W转置后的维度) , 说明此处单个Time Step输入第二层Rnn Cell的输入数据维度为[2,4],由此可推断输入的为第一层双向RNN拼接输出后结果。
输出:
output size: torch.Size([3, 2, 4])
Hidden size: torch.Size([4, 2, 2])这里output输出的维度和单层双向RNN的结果一致这是因为第一层RNN的输出结果维度和初始input数据维度相同。
hidden第一维输出变成了4这是因为每一个双向RNN层都会在最后一个Time Step提供正向和反向两个hidden输出而因为我们这里采用了两层双向RNN因此最终会得到四个hidden输出。
