赞
踩
注:以下文字包含少量个人理解成分,有误还请指出!
https://zh-v2.d2l.ai/chapter_recurrent-modern/gru.html
附上学习的内容链接
(开始堆砌)
在循环神经网络中, 矩阵连续乘积可以导致梯度消失或梯度爆炸的问题。 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。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。 如果没有这样的机制,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。
观测序列中出现了多余字符。 例如,在对网页内容进行情感分析时, 可能有一些辅助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。(希望没用的信息不会影响模型训练)
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渡存在, 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,最好有一种方法来重置内部状态表示。(到关键的转折点希望重新训练?)
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"长短期记忆" (long-short-term memory, LSTM):Hochreiter.Schmidhuber.1997, 将在后文中讨论。 门控循环单元(gated recurrent unit, GRU) :Cho.Van-Merrienboer.Bahdanau.ea.2014 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Chung.Gulcehre.Cho.ea.2014的速度明显更快。
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:
后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,并且能够解决了上面列出的问题。例如,如果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。
我们首先介绍 重置门(reset gate)和 更新门(update gate)。
我们把它们设计成
(
0
,
1
)
(0, 1)
(0,1)区间中的向量,这样我们就可以进行凸组合。重置门允许我们控制“可能还想记住”的过去状态的数量;更新门将允许我们控制新状态中有多少个是旧状态的副本。门控循环单元中的重置门和更新门的输入是由当前时间步的输入和前一时间步的隐状态给出。两个门的输出分别由两个使用sigmoid激活函数的全连接层给出。
我们来看一下门控循环单元的数学表达。对于给定的时间步
t
t
t,假设输入是一个小批量
X
t
∈
R
n
×
d
\mathbf{X}_t \in \mathbb{R}^{n \times d}
Xt∈Rn×d(样本个数:
n
n
n,输入特征个数:
d
d
d),上一个时间步的隐状态是
H
t
−
1
∈
R
n
×
h
\mathbf{H}_{t-1} \in \mathbb{R}^{n \times h}
Ht−1∈Rn×h(隐藏单元个数:
h
h
h)。那么,重置门
R
t
∈
R
n
×
h
\mathbf{R}_t \in \mathbb{R}^{n \times h}
Rt∈Rn×h和更新门
Z
t
∈
R
n
×
h
\mathbf{Z}_t \in \mathbb{R}^{n \times h}
Zt∈Rn×h的计算如下所示:
R
t
=
σ
(
X
t
W
x
r
+
H
t
−
1
W
h
r
+
b
r
)
,
Z
t
=
σ
(
X
t
W
x
z
+
H
t
−
1
W
h
z
+
b
z
)
,
请注意,在求和过程中会触发广播机制。我们使用sigmoid函数将输入值转换到区间
(
0
,
1
)
(0, 1)
(0,1)。
接下来,让我们将重置门
R
t
\mathbf{R}_t
Rt与常规隐状态更新机制集成,得到在时间步
t
t
t的 候选隐状态(candidate hidden state)
H
~
t
∈
R
n
×
h
\widetilde{\mathbf{H}}_t \in \mathbb{R}^{n \times h}
H
t∈Rn×h.
H
~
t
=
tanh
(
X
t
W
x
h
+
(
R
t
⊙
H
t
−
1
)
W
h
h
+
b
h
)
,
\widetilde{\mathbf{H}}_t = \tanh(\mathbf{X}_t \mathbf{W}_{xh} + \left(\mathbf{R}_t \odot \mathbf{H}_{t-1}\right) \mathbf{W}_{hh} + \mathbf{b}_h),
H
t=tanh(XtWxh+(Rt⊙Ht−1)Whh+bh), 其中
W
x
h
∈
R
d
×
h
\mathbf{W}_{xh} \in \mathbb{R}^{d \times h}
Wxh∈Rd×h 和
W
h
h
∈
R
h
×
h
\mathbf{W}_{hh} \in \mathbb{R}^{h \times h}
Whh∈Rh×h是权重参数,
b
h
∈
R
1
×
h
\mathbf{b}_h \in \mathbb{R}^{1 \times h}
bh∈R1×h是偏置项,符号
⊙
\odot
⊙是Hadamard积(按元素乘积)运算符。在这里,我们使用tanh非线性激活函数来确保候选隐状态中的值保持在区间
(
−
1
,
1
)
(-1, 1)
(−1,1)中。
与RNN相比,GRU中的
R
t
\mathbf{R}_t
Rt和
H
t
−
1
\mathbf{H}_{t-1}
Ht−1 的元素相乘可以减少以往状态的影响。每当重置门
R
t
\mathbf{R}_t
Rt中的项接近
1
1
1时,这时恢复成为一个普通的循环神经网络。对于重置门
R
t
\mathbf{R}_t
Rt中所有接近
0
0
0的项,候选隐状态是以
X
t
\mathbf{X}_t
Xt作为输入的多层感知机的结果,此时任何预先存在的隐状态都会被重置为默认值。(这里的默认值指的是“以
X
t
\mathbf{X}_t
Xt作为输入的多层感知机的结果” 还是其他?)
下图说明了应用重置门之后的计算流程。
上述的计算结果只是候选隐状态,我们仍然需要结合更新门
Z
t
\mathbf{Z}_t
Zt的效果来确定当前步的隐状态。这一步确定新的隐状态
H
t
∈
R
n
×
h
\mathbf{H}_t \in \mathbb{R}^{n \times h}
Ht∈Rn×h在多大程度上来自旧的状态
H
t
−
1
\mathbf{H}_{t-1}
Ht−1和新的候选状态
H
~
t
\widetilde{\mathbf{H}}_t
H
t。仅需要在
H
t
−
1
\mathbf{H}_{t-1}
Ht−1和
H
~
t
\widetilde{\mathbf{H}}_t
H
t之间进行按更新门
Z
t
\mathbf{Z}_t
Zt元素的凸组合就可以实现这个目标。这就得出了门控循环单元的最终更新公式:
H
t
=
Z
t
⊙
H
t
−
1
+
(
1
−
Z
t
)
⊙
H
~
t
.
\mathbf{H}_t = \mathbf{Z}_t \odot \mathbf{H}_{t-1} + (1 - \mathbf{Z}_t) \odot \widetilde{\mathbf{H}}_t.
Ht=Zt⊙Ht−1+(1−Zt)⊙H
t. 每当更新门
Z
t
\mathbf{Z}_t
Zt接近
1
1
1时,模型就倾向只保留旧状态。此时,来自
X
t
\mathbf{X}_t
Xt的信息基本上被忽略,从而有效地跳过了依赖链条中的时间步
t
t
t。相反,当
Z
t
\mathbf{Z}_t
Zt接近
0
0
0时,新的隐状态
H
t
\mathbf{H}_t
Ht就会接近候选隐状态
H
~
t
\widetilde{\mathbf{H}}_t
H
t。这些设计可以帮助我们处理循环神经网络中的梯度消失问题,并更好地捕获时间步距离很长的序列的依赖关系。
(一个极端的例子:如果整个子序列的所有时间步的更新门都接近于
1
1
1,则无论序列的长度如何,在序列起始时间步的旧隐状态都将很容易保留并传递到序列结束。)
下图说明了更新门起作用后的计算流。
总之,门控循环单元具有以下两个显著特征:
为了更好地理解门控循环单元模型,我们从零开始实现它。
import torch
from torch import nn
from d2l import torch as d2l
batch_size, num_steps = 32, 35
train_iter, vocab = d2l.load_data_time_machine(batch_size, num_steps)
我们从标准差为
0.01
0.01
0.01的高斯分布中提取权重,并将偏置项设为
0
0
0,超参数num_hiddens
定义隐藏单元的数量。定义函数get_params
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_size def normal(shape): return torch.randn(size=shape, device=device)*0.01 def three(): #生成一组参数:2个权重矩阵参数,1个偏置向量参数 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() # 候选隐状态参数 # 输出层参数 W_hq = normal((num_hiddens, num_outputs)) b_q = torch.zeros(num_outputs, device=device) # 给所有参数附加梯度 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
现在我们将定义隐状态的初始化函数init_gru_state
。此函数返回一个形状为(批量大小,隐藏单元个数)的张量,张量的值全部为零。
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 = params
H, = state
outputs = []
for X in inputs: #遍历每个batch
Z = torch.sigmoid((X @ W_xz) + (H @ W_hz) + b_z)
R = torch.sigmoid((X @ W_xr) + (H @ W_hr) + b_r)
H_tilde = torch.tanh((X @ W_xh) + ((R * H) @ W_hh) + b_h)
H = Z * H + (1 - Z) * H_tilde
Y = H @ W_hq + b_q
outputs.append(Y) #所有batch的输出构成一个tensor列表
return torch.cat(outputs, dim=0), (H,)
#把所有的输出tensor拼接在一起构成一个tensor;
#输出最后一个batch的隐状态H ??
pytorch中的矩阵乘法函数
不太明白这里,感觉应该是每一个batch更新一次参数,这里给我的感觉没有更新。推测这里分批只是为了加快计算,后面的 train_iter才是分批训练。
训练结束后,我们分别打印输出训练集的困惑度,以及前缀“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(vocab_size, num_hiddens, device, get_params,
init_gru_state, gru)
d2l.train_ch8(model, train_iter, vocab, lr, num_epochs, device)
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快得多,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。(大白话:之前的“从零开始实现”只是让你对一些细节和流程加深理解,现在我们要用现成的更快更简单的模型框架)
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)
这里是用的d2l包里的框架。框架的具体代码参见顶端链接chapter8.
Copyright © 2003-2013 www.wpsshop.cn 版权所有,并保留所有权利。