现代循环神经网络 - 门控循环单元
文章目录
- 门控循环单元(GRU)
- 1 - 门控隐状态
- 重置门和更新门
- 候选隐状态
- 隐状态
- 2 - 从零开始实现
- 初始化模型参数
- 定义模型
- 训练与预测
- 3 - 简洁实现
- 4 - 小结
门控循环单元(GRU)
循环神经网络在计算梯度、矩阵连续乘积导致梯度消失或爆炸的问题。下面我们简单思考一下这种梯度异常在实践中的意义:
- 我们可能会遇到这样的情况:早期观测值对预测所有未来观测值具有非常重要的意义。考虑一个极端情况,其中第一个观测值包含一个校验和,目标是在序列的末尾辨别校验和是否正确。在这种情况下,第一个词元的影响至关重要。我们希望有某些机制能够在一个记忆元里存储重要的早期信息。若没有这样的机制,我们将不得不给这个观测值指定一个非常大的梯度,因为它会影响所有后续的观测值
- 我们可能会遇到这样的情况:一些词元没有相关的观测值。例如,在对网页内容进行情感分析时,可能有写一些辅助HTML代码与网页传达的情绪无关。我们希望有一些机制来跳过隐状态表示中的此类词元
- 我们可能会遇到这样的情况:序列的各个部分之间存在逻辑中断。例如,书的章节之间可能会有过度存在,或者证券的熊市和牛市之间可能会有过渡存在。在这种情况下,最好一种方法来重置我们的内部状态表示
在学术界已经提出了许多方法来解决这类问题,其中最早的方法是LSTM,GRU是一个稍微简化的变体,通常能够提供同等的效果,并且计算的速度明显更快。由于GRU更简单,我们将从它开始解读
1 - 门控隐状态
门控循环单元与普通的循环神经网络之间的关键区别在于:前者支持隐状态的门控。这意味着模型有专门的机制来确定应该何时更新隐状态,以及应该何时重置隐状态。这些机制是可学习的,并且能够解决上面列出的问题。列出,若第一个词元非常重要,模型将学会在第一次观测之后不更新隐状态。同样,模型也可以学会跳过不相关的临时观测。最后,模型还将学会在需要的时候重置隐状态,下面我们将详细讨论各类门控
重置门和更新门
候选隐状态
隐状态
总之,门控循环单元具有以下两个显著特征:
- 重置门有助于捕获序列中的短期依赖关系‘
- 更新门有助于捕获序列中的长期依赖关系
2 - 从零开始实现
为了更好理解门控循环单元模型,我们从零开始实现它,首先读取时间机器数据集
import torch
from torch import nn
from d2l import torch as d2lbatch_size,num_steps = 32,35
train_iter,vocab = d2l.load_data_time_machine(batch_size,num_steps)
初始化模型参数
我们从标准差为0.01的高斯分布中提取权重,并将偏置项设为0,超参数num_hiddens定义隐藏单元的数量,实例化与更新门、重置门、候选隐状态和输出层相关的所有权重和偏置
def get_params(vocab_size,num_hiddens,device):num_inputs = num_outputs = vocab_sizedef normal(shape):return torch.randn(size=shape,device=device)*0.01def three():return (normal((num_inputs,num_hiddens)),normal((num_hiddens,num_hiddens)),torch.zeros(num_hiddens,device=device))W_xz,W_hz,b_z = three() # 更新门参数W_xr,W_hr,b_r = three() # 重置门参数W_xh,W_hh,b_h = three() # 候选隐状参数# 输出层参数W_hq = normal((num_hiddens,num_outputs))b_q = torch.zeros(num_outputs,device=device)# 附加梯度params = [W_xz, W_hz, b_z, W_xr, W_hr, b_r, W_xh, W_hh, b_h, W_hq, b_q]for param in params:param.requires_grad_(True)return params
定义模型
现在我们将定义隐状态的初始化函数init_gru_state。与以前定义的init_rnn_state函数一样,此函数返回一个形状为(批量大小,隐藏单元个数)的张量,张量的值全部为0
def init_gru_state(batch_size,num_hiddens,device):return (torch.zeros((batch_size,num_hiddens),device=device),)
现在我们准备定义门控循环单元模型,模型的架构与基本的循环神经网络单元是相同的,只是权重更新公式更为复杂
def gru(inputs,state,params):W_xz, W_hz, b_z, W_xr, W_hr, b_r, W_xh, W_hh, b_h, W_hq, b_q = paramsH, = stateoutputs = []for X in inputs:Z = torch.sigmoid((X @ W_xz) + (H @ W_hz) + b_z)R = torch.sigmoid((X @ W_xr) + (H @ W_hr) + b_r)H_tilda = torch.tanh((X @ W_xh) + ((R * H) @ W_hh) + b_h)H = Z * H + (1 - Z) * H_tildaY = H @ W_hq + b_qoutputs.append(Y)return torch.cat(outputs,dim=0),(H,)
训练与预测
我们分别打印输出训练集的困惑度,以前前缀“time traveler”和“traveler”的预测序列上的困惑度
vocab_size,num_hiddens,device = len(vocab),256,d2l.try_gpu()
num_epochs,lr = 500,1
model = d2l.RNNModelScratch(len(vocab),num_hiddens,device,get_params,init_gru_state,gru)
d2l.train_ch8(model,train_iter,vocab,lr,num_epochs,device)
perplexity 1.1, 42276.3 tokens/sec on cuda:0
time traveller for so it will be convenient to speak of himwas e
travelleryou can show black is white by argument said filby
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-iXCpuvTE-1662903525843)(https://yingziimage.oss-cn-beijing.aliyuncs.com/img/202209112130155.svg)]
3 - 简洁实现
高级API包含了前文介绍的所有配置细节,所以我们可以直接实例化门控循环单元模型。这段代码的运行速度要块的多,因为它使用的是编译好的运算符而不是Python来处理之前阐述的许多细节
num_inputs = vocab_size
gru_layer = nn.GRU(num_inputs,num_hiddens)
model = d2l.RNNModel(gru_layer,len(vocab))
model = model.to(device)
d2l.train_ch8(model,train_iter,vocab,lr,num_epochs,device)
perplexity 1.0, 444492.6 tokens/sec on cuda:0
time travellerit s against reason said filbywhat not sai move ab
travelleryou can show black is white by argument said filby
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-NjS1z0J4-1662903525843)(https://yingziimage.oss-cn-beijing.aliyuncs.com/img/202209112130157.svg)]
4 - 小结
- 门控循环神经网络可以更好地捕获时间步距离很长的序列上的依赖关系
- 重置门有助于捕获序列中的短期依赖关系
- 更新门有助于捕获序列中的长期依赖关系
- 重置门打开时,门控循环单元包含基本循环神经网络;更新门打开时,门控循环单元可以跳过子序列
现代循环神经网络 - 门控循环单元相关推荐
- 分类预测 | MATLAB实现WOA-CNN-GRU鲸鱼算法优化卷积门控循环单元数据分类预测
分类预测 | MATLAB实现WOA-CNN-GRU鲸鱼算法优化卷积门控循环单元数据分类预测 分类效果 基本描述 1.Matlab实现WOA-CNN-GRU多特征分类预测,多特征输入模型,运行环境Ma ...
- 图卷积神经网络 | Python实现基于GCN-GRU图卷积门控循环单元网络模型
图卷积神经网络 | Python实现基于GCN-GRU图卷积门控循环单元网络模型 目录 图卷积神经网络 | Python实现基于GCN-GRU图卷积门控循环单元网络模型 效果分析 基本描述 模型结构 ...
- 现代循环神经网络-1.门控循环单元(GRU)【动手学深度学习v2】
文章目录 1.门控循环单元(GRU) 1.1 门控隐状态 A.重置门与更新门 B.候选隐状态 C.隐状态 1.2 GRU的实现 A.从零实现 B.简洁实现 1.门控循环单元(GRU) GRU是一个比较 ...
- (pytorch-深度学习)门控循环单元(GRU)
门控循环单元(GRU) 循环神经网络中的梯度计算 当时间步数较大或者时间步较小时,循环神经网络的梯度较容易出现衰减或爆炸. 虽然裁剪梯度可以应对梯度爆炸,但无法解决梯度衰减的问题. 通常由于这个原因, ...
- 花书+吴恩达深度学习(十七)序列模型之长短期记忆 LSTM 和门控循环单元 GRU
目录 0. 前言 1. 长短期记忆 LSTM 2. 门控循环单元 GRU 如果这篇文章对你有一点小小的帮助,请给个关注,点个赞喔~我会非常开心的~ 花书+吴恩达深度学习(十五)序列模型之循环神经网络 ...
- pytorch学习笔记(三十一):门控循环单元(GRU)
文章目录 前言 1. 门控循环单元 1.1 重置门和更新门 1.2 候选隐藏状态 1.3 隐藏状态 2. 读取数据集 3. 从零开始实现 3.1 初始化模型参数 3.2 定义模型 3.3 训练模型并创 ...
- 回归预测 | MATLAB实现贝叶斯优化门控循环单元(BO-GRU)多输入单输出
回归预测 | MATLAB实现贝叶斯优化门控循环单元(BO-GRU)多输入单输出 目录 回归预测 | MATLAB实现贝叶斯优化门控循环单元(BO-GRU)多输入单输出 基本介绍 背景回顾 模型介绍 ...
- 动手学深度学习(三十九)——门控循环单元GRU
文章目录 门控循环单元(GRU) 一.门控隐藏状态 1.1 重置门和更新门 1.2候选隐藏状态 1.3 隐藏状态 二.从零实现GRU 2.1 初始化模型参数 2.2 定义模型 2.3 训练与预测 2. ...
- 回归预测 | MATLAB实现CNN-GRU(卷积门控循环单元)多输入单输出
回归预测 | MATLAB实现CNN-GRU(卷积门控循环单元)多输入单输出 目录 回归预测 | MATLAB实现CNN-GRU(卷积门控循环单元)多输入单输出 基本介绍 模型结构 CNN神经网络 G ...
最新文章
- 【原创翻译】文件与文件夹
- 全面解析RS232、RS485、RS422、RJ45接口的区别和各自的应用
- python 把if 写在一行的两种方式
- android 减少图片出现oom错误
- TODO:从数据库中随机抽取一条记录
- 粉丝回馈,8000元大礼包免费相送
- 2020 年 7 个软件开发趋势
- 区块链入门与去中心化应用实战 之一 第3章 区块链技术核心原理实现
- 【转】你有这么一个人么
- cfa英语不好的怎么学_没有英语基础,怎么学cfa?
- 方维直播源码对接新版腾讯云通信对接新版腾讯即时通信IM
- 深度学习数据增强方法-内含(亮度增强,对比度增强,旋转图图像,翻转图像,仿射变化扩充图像,错切变化扩充图像,HSV数据增强)七种方式进行增强-每种扩充一张实现7倍扩)+ 图像缩放代码-批量
- Mac SpotLight无法搜索
- Vanishing Point Detection 消影点/消失点/灭点检测代码学习整理笔记
- 房源租赁签约管理系统、租房系统、退租、续租、换租、转租、房源管理、招租系统、租期账单、合同管理、营销推广、租客系统、业主系统、web原型、业务流程 、门禁系统、Axure原型、rp源文件
- 2023北京理工大学计算机考研信息汇总
- python3 实现火车票查询 代码+知识点
- Liferay DXP数字体验平台,荣耀绽放:端对端的客户体验
- MapReduce 互联网精准广告推送算法
- 积分价值调整的两个原因
热门文章
- SpringCloud Feign工作原理基本理解
- react中的 PropTypes使用
- PythonC++相互混合调用编程全面实战-18c++给python传递变量的两种方法
- numpy.random 中rand和randn 函数的区别
- 八款苹果M1生产力工具
- 华为手机怎么打开php文件夹,64GB内存的华为手机空间不足,点下这4个文件夹,轻松释放10个G...
- 某网校之Cocos2d-x视频教程
- 1024程序员节,腾源会邀你一起狂欢
- Egret游戏手Q平台接入问题整理
- Java算法-排序-选择排序