持续创造，加速生长！这是我参与「日新计划 10 月更文应战」的第4天，点击检查活动概况
写代码之前先回忆一下RNN的核算公式：
躲藏层核算公式：
输出核算公式：
留意：之前我写过这么一篇：手动完成RNN – () 这个没有调用Pytorch的RNN，是自己从零开端写的。本文是调用了人家现成的RNN，两篇文章尽管都是RNN的代码完成，但是二者有本质区别。
import torch
from torch import nn
from torch.nn import functional as F
from d2l import torch as d2l
python人必备导包技术，这段代码不用解说吧。
batch_size, num_steps =32,35
train_iter, vocab = d2l.load_data_time_machine(batch_size, num_steps)
num_hiddens = 256
rnn_layer = nn.RNN(len(vocab), num_hiddens)
-
设置批量巨细
batch_size和时刻步长度num_step，时刻步长度就是能够想象成一个样本中RNN要核算的时刻步长度是32。 -
d2l.load_data_time_machine加载数据集。留意：这儿为了方便，加载数据集时分进行数据预处理，运用的是长度为28的语料库词汇表，不是单词表。词汇表是a~z的字母外加 空格 和<unk>。
-
设置躲藏层巨细的256
-
在这儿RNN层直接运用pytorch提供的RNN。
state = torch.zeros((1, batch_size, num_hiddens))
state.shape
-
运用
torch.zeros用零向量初始化隐状况。隐状况是三维的，形状是隐状况层数、批量巨细、躲藏层巨细。 -
RNN隐状况核算Ht=(XtWxh+Ht−1Whh+bh)\mathbf{H}_t = \phi(\mathbf{X}_t \mathbf{W}_{xh} + \mathbf{H}_{t-1} \mathbf{W}_{hh} + \mathbf{b}_h)，这一步就是要初始化H0\mathbf{H}_{0}
-
运用
state.shape看一下H0\mathbf{H}_{0}的形状。 -
测验一下：
X = torch.rand(size=(num_steps, batch_size, len(vocab))) Y, state_new = rnn_layer(X, state) Y.shape, state_new.shape随便搞一个
X来试试pytorch自带的rnn层。-
X就是随机初始化的，形状是（时刻步长、批量巨细、语料库词汇表长度）。 -
运用rnn层进行核算返回
Y和state_new，留意这儿的Y不是咱们说的那个RNN的输出，Ot=HtWhq+bq\mathbf{O}_t = \mathbf{H}_t \mathbf{W}_{hq} + \mathbf{b}_q，←不是这个玩意儿，是躲藏层，是H\mathbf{H}。 -
最终一句是输出一下
Y和state_new的形状：(torch.Size([35, 32, 256]), torch.Size([1, 32, 256]))
这儿
Y是一切的隐状况，state_new是最终一个隐状况。
到这儿咱们能够得出：pytorch自带的RNN层核算的返回值是整个核算过程的隐状况和最终一个隐状况。
-
class RNNModel(nn.Module):
def __init__(self, rnn_layer, vocab_size, **kwargs):
super(RNNModel, self).__init__(**kwargs)
self.rnn = rnn_layer
self.vocab_size = vocab_size
self.num_hiddens = self.rnn.hidden_size
if not self.rnn.bidirectional:
self.num_directions = 1
self.linear = nn.Linear(self.num_hiddens, self.vocab_size)
else:
self.num_directions = 2
self.linear = nn.Linear(self.num_hiddens * 2, self.vocab_size)
def forward(self, inputs, state):
X = F.one_hot(inputs.T.long(), self.vocab_size)
X = X.to(torch.float32)
Y, state = self.rnn(X, state)
output = self.linear(Y.reshape((-1, Y.shape[-1])))
return output, state
def begin_state(self, device, batch_size=1):
if not isinstance(self.rnn, nn.LSTM):
return torch.zeros((self.num_directions * self.rnn.num_layers,
batch_size, self.num_hiddens),
device=device)
else:
return (torch.zeros((
self.num_directions * self.rnn.num_layers,
batch_size, self.num_hiddens), device=device),
torch.zeros((
self.num_directions * self.rnn.num_layers,
batch_size, self.num_hiddens), device=device))
这个是完整的RNN模型。
-
__init__中进行基本设置。-
设定RNN层
rnn_layer，设定字典巨细vocab_size，设定躲藏层巨细num_hiddens -
然后这个if-else句子，这个句子是为后边预备的。现在这儿仍是没有什么效果的。由于之后的双向rnn会用到。
not self.rnn.bidirectional也就是说当这个RNN不是双向的时分，进入if句子。此刻设定它只有一个躲藏层，而且设定它的vocab_size。反之则进入else句子，此刻设定它有两个躲藏层（由于是双向RNN一个正向的一个反向的），而且设定它的vocab_size。
-
-
forward设定前向传达函数。- 先对
X进行处理，使其变为one-hot向量。再将数据类型转换为浮点型。 - 留意在这儿
Y是咱们说的隐状况，不是咱们常规意义上的输出。 - 输出
output这儿，全连接层首先将Y的形状改为(时刻步数批量巨细,躲藏单元数)。再输出output输出形状是 (时刻步数批量巨细,词表巨细)。
- 先对
-
begin_state设定初始化的函数。里面也是一个if句子。根据rnn的类型来决议初始化的状况。isinstance(self.rnn, nn.LSTM)是看咱们的self.rnn是不是nn.LSTM，如果他只是一个普通的rnn，那就直接对其进行躲藏状况的初始化就能够了；如果他是LSTM的时分，它的隐形状况需要初始化为张量。
device = d2l.try_gpu()
net = RNNModel(rnn_layer, vocab_size=len(vocab))
net = net.to(device)
d2l.predict_ch8('time traveller', 10, net, vocab, device)
输出：
‘time travellerxsszsuxsss’
在练习之前，咱们先运用咱们大号的模型来看一下它的预测成果。能够看出成果非常不好，由于他后边现已开端重复输出xss了。
如果你的输出和我的输出不一样也没有关系。由于它初始化的时分是随机初始化。所以每次运转的成果可能是不同的。
num_epochs, lr = 500, 1
d2l.train_ch8(net, train_iter, vocab, lr, num_epochs, device)
对其进行练习。500个epoch，学习率设定为1。 这张代码的向量函数中还有一个可视化的函数，所以你在跑这张代码的过程中应该能够看到一个下降的过程图表。的那个坐标跑完了之后再运转下边这个预测输出的代码。
d2l.predict_ch8('time traveller', 10, net, vocab, device)
输出：
‘time travellerit s again’
练习之后再看一下他预测生成的成果。至少比上面那一个靠谱许多。
