TensorFlow实战12：实现基于LSTM的语言模型

1.LSTM的语言模型简介
LSTM（Long Short Term Memory）,用来处理有时序联系的信息效果非常明显，在很多情况下，卷积神经网络虽然处理图片增加了其空间特征的联系，但是对于图片与图片之间的联系性并不是很强，所以对于视频或者是自然语言处理前后的关联性并不是很好。
对于一些简单的问题，可能只需要最后输入的少量时序信息即可解决问题。但对于复杂问题，可能需要更早的一些信息，甚至是时间序列的开头信息，但间隔太久的信息RNN无法捕获的，所以LSTM的发明就是为了解决这个问题。

如上图所示，LSTM包括了四层神经网络，圆圈是point-wise的操作，比如向量加法、点乘等。小矩形代表一层可学习参数的神经网络。LSTM单元上面的那条直线代表了LSTM的状态state,它会贯穿所有连接在一起的LSTM单元，从第一个LSTM单元一直流向最后一个LSTM单元，其中只有少量的线性干预和改变。状态state在这条隧道中传递时，LSTM单元可以对其添加或者删减信息，这些对信息流的修改操作由LSTM中的Gates控制。这些Gates中包含了一个Sigmoid层和一个向量的点乘的操作，这个Sigmoid层的输出时0到1之间的值，它直接控制了信息传递的比例。如果为0则代表不允许信息传递，如果为1，则表示信息全部通过。每个LSTM单元包含3个这样的Gates，用来维护和控制单元的状态信息。凭借对状态信息的储存和修改，LSTM单元就可以实现长程记忆。
详细的关于RNN和LSTM的信息可以查看http://colah.github.io/posts/2015-08-Understanding-LSTMs/

2.LSTM的语言模型的代码实现
这里和之前有些不一样，需要下载一些数据集，并且要用一些现成的代码来处理数据，所以会稍微有些繁琐。

wget http://www.fit.vutbr.cz/~imikolov/rnnlm/simple-examples.tgz
tar xvf simple-examples.tgzgit clone https://github.com/tensorflow/models.git
cd models/tutorials/rnn/ptb

#coding:utf-8
#导入常用的库，模型中的PTB reader主要是借助它读取数据内容，并把单词转为唯一的数字编码，以便神经网络处理from __future__ import division
import time
import numpy as np
import tensorflow as tf
import reader#定义语言模型处理输入数据的class
class PTBInput(object):def __init__(self, config, data, name = None):self.batch_size = batch_size = config.batch_sizeself.num_steps = num_steps = config.num_stepsself.epoch_size = ((len(data) // batch_size) - 1) // num_stepsself.input_data, self.targets = reader.ptb_producer(data, batch_size, num_steps, name = name)#定义语言模型的class,PTBModel
class PTBModel(object):def __init__(self, is_training, config, input_):self._input = input_batch_size = input_.batch_sizenum_steps = input_.num_stepssize = config.hidden_sizevocab_size = config.vocab_size#设置默认的LSTM单元def lstm_cell():return tf.contrib.rnn.BasicLSTMCell(size, forget_bias = 0.0, state_is_tuple = True)attn_cell = lstm_cellif is_training and config.keep_prob < 1:def attn_cell():return tf.contrib.rnn.DropoutWrapper(lstm_cell(), output_keep_prob = config.keep_prob)cell = tf.contrib.rnn.MultiRNNCell([attn_cell() for _ in range(config.num_layers)], state_is_tuple = True)self._initial_state = cell.zero_state(batch_size, tf.float32)#创建网络的词嵌入的部分with tf.device("/cpu:0"):embedding = tf.get_variable("embedding", [vocab_size, size], dtype = tf.float32)inputs = tf.nn.embedding_lookup(embedding, input_.input_data)if is_training and config.keep_prob < 1:inputs = tf.nn.dropout(inputs, config.keep_prob)#定义输出outputs = []state = self._initial_statewith tf.variable_scope("RNN"):for time_step in range(num_steps):if time_step > 0:tf.get_variable_scope().reuse_variables() (cell_output, state) = cell(inputs[:, time_step, :], state)outputs.append(cell_output)output = tf.reshape(tf.concat(outputs, 1), [-1, size])softmax_w = tf.get_variable("softmax_w", [size, vocab_size], dtype = tf.float32)softmax_b = tf.get_variable("softmax_b", [vocab_size], dtype = tf.float32)logits = tf.matmul(output, softmax_w) + softmax_bloss = tf.contrib.legacy_seq2seq.sequence_loss_by_example([logits], [tf.reshape(input_.targets, [-1])],[tf.ones([batch_size * num_steps], dtype = tf.float32)])self._cost = cost = tf.reduce_sum(loss) / batch_sizeself._final_state = stateif not is_training:return#定义学习率，优化器等self._lr = tf.Variable(0.0, trainable = False)tvars = tf.trainable_variables()grads, _ = tf.clip_by_global_norm(tf.gradients(cost, tvars), config.max_grad_norm)optimizer = tf.train.GradientDescentOptimizer(self._lr)self._train_op = optimizer.apply_gradients(zip(grads, tvars),global_step = tf.contrib.framework.get_or_create_global_step())self._new_lr = tf.placeholder(tf.float32, shape = [], name = "new_learning_rate")self._lr_update = tf.assign(self._lr, self._new_lr)def assign_lr(self, session, lr_value):session.run(self._lr_update, feed_dict = {self._new_lr: lr_value})#利用@property装饰器可以将返回变量设为只读@propertydef input(self):return self._input@propertydef initial_state(self):return self._initial_state@propertydef cost(self):return self._cost@propertydef final_state(self):return self._final_state@propertydef lr(self):return self._lr@propertydef train_op(self):return self._train_op#定义小的训练模型参数
class SmallConfig(object):init_scale = 0.1learning_rate = 1.0max_grad_norm = 5num_layers = 2num_steps = 20hidden_size = 200max_epoch = 4max_max_epoch = 13keep_prob = 1.0lr_decay = 0.5batch_size = 20vocab_size = 10000#定义中等的训练模型参数
class MediumConfig(object):init_scale = 0.05learning_rate = 1.0max_grad_norm = 5num_layers = 2num_steps = 35hidden_size = 650max_epoch = 6max_max_epoch = 39keep_prob = 0.5lr_decay = 0.8batch_size = 20vocab_size = 10000#定义大的训练模型参数
class LargeConfig(object):init_scale = 0.04learning_rate = 1.0max_grad_norm = 10num_layers = 2num_steps = 35hidden_size = 1500max_epoch = 14max_max_epoch = 55keep_prob = 0.35lr_decay = 1 / 1.15batch_size = 20vocab_size = 10000#定义测试时的训练模型
class TestConfig(object):init_scale = 0.1learning_rate = 1.0max_grad_norm = 1num_layers = 1num_steps = 2hidden_size = 2max_epoch = 1max_max_epoch = 1keep_prob = 1.0lr_decay = 0.5batch_size = 20vocab_size = 10000#定义训练一个epoch数据的函数
def run_epoch(session, model, eval_op = None, verbose = False):start_time = time.time()costs = 0.0iters = 0state = session.run(model.initial_state)fetches = {"cost": model.cost,"final_state": model.final_state,}if eval_op is not None:fetches["eval_op"] = eval_opfor step in range(model.input.epoch_size):feed_dict = {}for i, (c, h) in enumerate(model.initial_state):feed_dict[c] = state[i].cfeed_dict[h] = state[i].hvals = session.run(fetches, feed_dict)cost = vals["cost"]state = vals["final_state"]costs += cost# print costiters += model.input.num_stepsif verbose and step % (model.input.epoch_size // 10) == 10:print ("%.3f perplexity: %.3f speed : %.0f wps" %(step * 1.0 / model.input.epoch_size, np.exp(costs / iters), iters * model.input.batch_size / (time.time() - start_time)))return np.exp(costs / iters)#直接读取解压数据
raw_data = reader.ptb_raw_data('simple-examples/data/')
train_data, valid_data, test_data, _ = raw_dataconfig = SmallConfig()
eval_config = SmallConfig()
eval_config.batch_size = 1
eval_config.num_steps = 1#创建图
with tf.Graph().as_default():initializer = tf.random_uniform_initializer(-config.init_scale, config.init_scale)with tf.name_scope("Train"):train_input = PTBInput(config = config, data = train_data, name = 'TrainInput')with tf.variable_scope("Model", reuse = None, initializer = initializer):m = PTBModel(is_training = True, config = config, input_ = train_input)with tf.name_scope("Valid"):valid_input = PTBInput(config = config, data = valid_data, name = "ValidInput")with tf.variable_scope("Model", reuse = True, initializer = initializer):mvalid = PTBModel(is_training = False, config = config, input_ = valid_input)with tf.name_scope("Test"):test_input = PTBInput(config = eval_config, data = test_data, name = "TestInput")with tf.variable_scope("Model", reuse = True, initializer = initializer):mtest = PTBModel(is_training = False, config = eval_config, input_ = test_input)#创建训练的管理器sv = tf.train.Supervisor()with sv.managed_session() as session:for i in range(config.max_max_epoch):lr_decay = config.lr_decay ** max(i + 1 - config.max_epoch, 0.0)m.assign_lr(session, config.learning_rate * lr_decay)print("Epoch: %d Learning rate: %.3f" %(i + 1, session.run(m.lr)))train_perplexity = run_epoch(session, m, eval_op = m.train_op, verbose = True)print("Epoch: %d Train Perplexity: %.3f" %(i + 1, train_perplexity))valid_perplexity = run_epoch(session, mvalid)print("Epoch: %d valid Perplexity: %.3f" %(i + 1, valid_perplexity))test_perplexity = run_epoch(session, mtest)print("Test Perplexity: %.3f" %test_perplexity)

我只想说这个编辑器有bug，回车会自动把代码删除。。。这是什么鬼？O(∩_∩)O

TensorFlow实战12：实现基于LSTM的语言模型相关推荐

Tensorflow实例：实现基于LSTM的语言模型
RNN 人每次思考时不会重头开始,而是保留之前思考的一些结果为现在的决策提供支持.例如我们对话时,我们会根据上下文的信息理解一句话的含义,而不是对每一句话重头进行分析.传统的神经网络不能实现这个功能, ...
TensorFlow 实现基于LSTM的语言模型
一.LSTM的相关概念博客上有很多讲解的很好的博主,我看的是这个博主的关于LSTM的介绍,感觉很全面,如果对LSTM原理不太明白的,可以点击这个链接.LSTM相关概念,这里就不多做介绍了哈! 二.G ...
tensorflow71 《深度学习原理与TensorFlow实战》05 RNN能说会道 02语言模型
01 基本信息 #<深度学习原理与TensorFlow实战>05 RNN能说会道 # 书源码地址:https://github.com/DeepVisionTeam/TensorFlowB ...
java lstm pb_在Tensorflow Serving上部署基于LSTM的文本分类模型
一些重要的概念 Servables Servables 是客户端请求执行计算的基础对象,大小和粒度是灵活的. Servables 不会管理自己的运行周期. 典型的Servables包括: a Tens ...
tensorflow实现基于LSTM的语言模型
根据自己理解写的代码注释importtimeimportnumpy asnpimporttensorflow astfimportreader #flags = tf.flags#logging = ...
TensorFlow 实战案例：利用 LSTM、GRU 进行股票数据预测（附 Python 完整代码）
大家好,今天和各位分享一下如何使用循环神经网络 LSTM 和 GRU 完成对股票数据的预测.GRU 是在 LSTM 基础上的简化,将 LSTM 内部的三个闸门简化成两个,往往 GRU 的计算效果会优于 ...
深度学习实战案例：基于LSTM的四种方法进行电影评论情感分类预测（附完整代码）
序列分类是一个预测建模问题,你有一些输入序列,任务是预测序列的类别. 这个问题很困难,因为序列的长度可能不同,包含非常大的输入符号词汇表,并且可能需要模型学习输入序列中符号之间的长期上下文或依赖关系. ...
Tensorflow实战学习(三十五)【实现基于LSTM语言模型】
神经结构进步.GPU深度学习训练效率突破.RNN,时间序列数据有效,每个神经元通过内部组件保存输入信息. 卷积神经网络,图像分类,无法对视频每帧图像发生事情关联分析,无法利用前帧图像信息.RNN最大特 ...
【NLP实战】如何基于Tensorflow搭建一个聊天机器人
实战是学习一门技术最好的方式,也是深入了解一门技术唯一的方式.因此,NLP专栏计划推出一个实战专栏,让有兴趣的同学在看文章之余也可以自动动手试一试. 本篇介绍如何基于tensorflow快速搭建一个基 ...

TensorFlow实战12：实现基于LSTM的语言模型

TensorFlow实战12：实现基于LSTM的语言模型相关推荐

最新文章

热门文章