TensorFlow中实现RNN，彻底弄懂time_step
这篇博客不是一篇讲解原理的博客，这篇博客主要讲解tnesorlfow的RNN代码结构，通过代码来学习RNN，以及讲解time_steps，如果这篇博客没有让你明白time_steps，欢迎博客下面评论交流。
我曾翻阅各大网站，各大博客，他们的对RNN中time_steps的讲解，都没有一个让人醍醐灌顶的答案，甚至让人越看模糊。有的博主在博客中讲的看似他懂了，一问他自己他答不上来。在这里，我向全中国还迷糊在time_step的学者答疑，立此博文。
学习RNNCell要重点关注三个地方：
- 类方法 call
- 类属性 state_size
- 类属性 output_size
RNN_Cell
想要看懂tensorflow RNN代码，我们必须要先了解RNNCell，RNNcell 是 tensorlfow中实现RNN的基本单元。我们平时在代码中用的是RNNcell的子类，BasicRNNCell（RNN的基础类）和BasicLSTMCell（LSTM的基础类）。
注意：RNNCell是抽象类不能进行实例化，可以使用它的子类BasicRNNCell或BasicLSTMCell进行实例化，得到cell。
所有的RNNCell的之类都会实现一个__call__函数，利用call函数可以实现RNN的单步计算
使用方式是：(output, next_state) = call(input, state)
举例：输入序列是：$x_1、x_2、x_3$，RNN的初始状态为$h_0$
t=1时刻，$(output_1, h_1) = cell(x_1,h_0)$
t=2时刻，$(output_2, h_2) = cell(x_2,h_1)$
t=3时刻，$(output_3, h_3) = cell(x_3,h_2)$
每调用一次RNNCell的call方法，就相当于在时间上推进了一步。
RNNCell中还有两个类属性比较重要，state_size(隐层的大小)，output_size(输出的大小)。output_size一般等于最后一层RNN的state_size。
举例：设输入数据的形状为(batch_size, input_size)，那么计算时得到的隐层状态就是(batch_size, state_size)，输出就是(batch_size, output_size)=(batch_size, 最后一层state_size)。
BaseRNNCell
在TensorFlow中定义一个基本RNN单元：
import tensorflow as tf rnn_cell = tf.nn.rnn_cell.BasicRNNCell(num_units=128) # state_size = 128 # cell = tf.keras.layers.SimpleRNNCell(units=128) print(rnn_cell.state_size) # 128 # 32 是 batch_size inputs = tf.placeholder(tf.float32, shape=(32, 100)) # 通过zero_state得到一个全0的初始状态，形状为(batch_size, state_size) h0 = rnn_cell.zero_state(32, tf.float32) # h0.shape=(32, 128) # 调用call函数 output, h1 = rnn_cell.__call__(inputs, h0) print(output.shape) # (32, 128) print(h1.shape) # (32, 128)
注意：隐藏层的初始化cell.zero_state(batch)，shape=(batch_size,state_size)
BaseLSTMCell
在TensorFlow中定义一个基本LSTM单元：
import tensorflow as tf lstm_cell = tf.nn.rnn_cell.BasicLSTMCell(num_units=128) print(lstm_cell.state_size) # LSTMStateTuple(c=128, h=128) inputs = tf.placeholder(tf.float32, shape=(32, 100)) # 32 是 batch_size h0 = lstm_cell.zero_state(32, tf.float32) # (32,128) # 调用call函数 output, h1 = lstm_cell.__call__(inputs, h0) print(output.shape) # shape=(32, 128) print(h1.h.shape) # shape=(32, 128) print(h1.c.shape) # shape=(32, 128)
对于BasicLSTMCell，因为LSTM可以看做有两个隐状态h和c，对应的隐层就是一个Tuple，每个都是(batch_size, state_size)的形状
时间维度静态展开：static_rnn
tf.nn.static_rnn——随时间静态展开。static_rnn() 返回两个对象，第一个是每一时刻time_steps RNN输出的列表，另一个是RNN网络的最终状态state。下面代码举例time_steps=2的输入。
X0 = tf.placeholder(tf.float32, [None, n_inputs]) X1 = tf.placeholder(tf.float32, [None, n_inputs]) basic_cell = tf.contrib.rnn.BasicRNNCell(num_units=n_neurons) output_seqs, states = tf.contrib.rnn.static_rnn(basic_cell, [X0, X1], dtype=tf.float32) Y0, Y1 = output_seqs
如果有50个tiime_steps时刻，操作50个输入占位符实在太繁琐了，假如输入shape=(None, time_steps, imput_size)，可以用如下方法一并输入
X = tf.placeholder(tf.float32, [None, n_steps, n_inputs]) X = tf.transpose(X, perm=[1, 0, 2]) # shape=(n_steps, batchs ,n_inputs) X_seqs = tf.unstack(X) # time_steps个(batchs, n_inputs)的列表 basic_cell = tf.contrib.rnn.BasicRNNCell(num_units=n_neurons) output_seqs, states = tf.contrib.rnn.static_rnn(basic_cell, X_seqs, dtype=tf.float32) outputs = tf.transpose(tf.stack(output_seqs), perm=[1, 0, 2])
最终的outputs是一个包含所有实例、任一时刻、所有神经元的输出的张量。幸运的是，还有更好的解决方案，那就是dynamic_rnn()函数。
时间维度动态展开：dynamic_rnn
tf.nn.dynamic_rnn——随时间动态展开。基础的RNNCell有一个很明显的问题：对于单个的RNNCell，我们使用它的call函数进行运算时，只是在序列时间上前进了一步。如果我们的序列长度为10，就要调用10次call函数，比较麻烦。对此，TensorFlow提供了一个tf.nn.dynamic_rnn函数，该函数就相当于调用了n次call函数，即通过${h_0,x_1, x_2, …., x_n}$直接得${h_1,h_2…,h_n}$。
具体来说，设输入数据的格式为 (batch_size, time_steps, input_size)，
- batch_size：表示batch的大小，即一个batch中序列的个数，
- time_steps：表示序列本身的长度，如在Char RNN中，长度为10的句子对应的time_steps就等于10。
- input_size：表示输入数据单个序列单个时间维度上固有的长度。
举例：假设输入数据的格式为(batch_size, time_steps, input_size)，其中time_steps表示序列本身的长度，如在NLP中，一句话有25个字，每个字的向量维度为300，那么time_steps就是句子的长度=25，input_size=300。
假设我们已经定义好了一个RNNCell，调用time_steps该RNNCell的call函数次，对应的代码是：
outputs, state = tf.nn.dynamic_rnn(cell, inputs, initial_state=initial_state)
参数：
inputs: 输入序列 shape = (batch_size, time_steps, input_size)cell: RNNCellinitial_state: 初始状态。一般可以取零矩阵shape = (batch_size, cell.state_size)。
返回：
- outputs：time_steps步里所有输出，shape=(batch_size, time_steps, cell.output_size)
- state：最后一步的隐状态，它的形状为(batch_size, cell.state_size)
import tensorflow as tf rnn_cell = tf.contrib.rnn.BasicRNNCell(num_units=128) # states_size=128 X = tf.placeholder(tf.float32, [32, 10, 100]) # input_shape=(batch_size, time_steps,input_size) outputs, states = tf.nn.dynamic_rnn(rnn_cell, X, dtype=tf.float32) print(outputs.shape) # (batch_size,time_size, cell.output_size)=(32, 10, 128) print(states.shape) # (batch_size, output_size)=(batch_size, states_size)=(32, 128)
变长输入序列
前面我们处理的输入shape=(batch_size, time_step, input_size)，输入序列是定长的，拿我们做自然语言处理为例子，如果数据有1000段时序的句子，每句话有25个字，对每个字进行向量化，每个字的向量维度为300，那么batch_size=1000，time_steps=25，input_size=300。但是每句话的句子长度都是不一样的，这时候我们就需要在调用dynamic_rnn()（或者static_rnn）时使用sequence_length参数。指明了每一实例输入序列的长度。例如：
X = tf.placeholder(tf.float32, [None, n_steps, n_inputs]) # (batch_size, time_steps,input_size) seq_length = tf.placeholder(tf.int32, [None]) basic_cell = tf.contrib.rnn.BasicRNNCell(num_units=n_neurons) outputs, states = tf.nn.dynamic_rnn(basic_cell, X, sequence_length=seq_length, dtype=tf.float32)
假设我们输入的第二个实例只有一个时刻的输入，表示该实例张量的第二维需要补零，如下所示：
X_batch = np.array([ # step 0 step 1 [[0, 1, 2], [9, 8, 7]], # instance 0 [[3, 4, 5], [0, 0, 0]], # instance 1 (padded with a zero vector) [[6, 7, 8], [6, 5, 4]], # instance 2 [[9, 0, 1], [3, 2, 1]], # instance 3 ]) seq_length_batch = np.array([2, 1, 2, 2]) with tf.Session() as sess: init.run() outputs_val, states_val = sess.run([outputs, states], feed_dict={X: X_batch, seq_length: seq_length_batch})
堆叠RNN：MultiRNNCell
单层RNN能力有限，我们需要多层的RNN。将x输入第一层RNN的后得到隐层状态h，这个隐层状态就相当于第二层RNN的一个输入，第二层RNN的隐层状态又相当于第三层RNN的一个输入，以此类推。在TensorFlow中，可以使用tf.nn.rnn_cell.MultiRNNCell函数对RNNCell进行堆叠
import tensorflow as tf # 每调用一次这个函数就返回一个BasicRNNCell def get_a_cell(): return tf.nn.rnn_cell.BasicRNNCell(num_units=128) # 用tf.nn.rnn_cell MultiRNNCell创建3层RNN Multi_cell = tf.nn.rnn_cell.MultiRNNCell([get_a_cell() for _ in range(3)]) # 3层RNN # 得到的cell实际也是RNNCell的子类，它的state_size是(128, 128, 128)，
# 这里并不是128x128x128的意思，而是表示共有3个隐层状态，每个隐层状态的大小为128 print(Multi_cell.state_size) # (128, 128, 128) # 使用对应的call函数 inputs = tf.placeholder(tf.float32, shape=(32, 100)) # 32 是 batch_size h0 = Multi_cell.zero_state(32, tf.float32) # 通过zero_state得到一个全0的初始状态 output, h1 = Multi_cell.__call__(inputs, h0) print(h1) # tuple中含有3个32x128的向量 # (<tf.Tensor 'multi_rnn_cell/cell_0/basic_rnn_cell/Tanh:0' shape=(32, 128) dtype=float32>, # <tf.Tensor 'multi_rnn_cell/cell_1/basic_rnn_cell/Tanh:0' shape=(32, 128) dtype=float32>, # <tf.Tensor 'multi_rnn_cell/cell_2/basic_rnn_cell/Tanh:0' shape=(32, 128) dtype=float32>)
RNN的其他变种
### ------------ LSTM ------------- ### lstm_cell = tf.contrib.rnn.BasicLSTMCell(num_units=n_neurons) # peephole connections # 让长期记忆也参与控制门的管理可能会更好 lstm_cell = tf.contrib.rnn.LSTMCell(num_units=n_neurons, use_peepholes=True) ### ------------ GRU ------------- ### gru_cell = tf.contrib.rnn.GRUCell(num_units=n_neurons)
time_steps专栏
有的人学习到RNN的时候，死活都弄不清batch、input_size、time_steps。在这篇博文中，我做一个专栏。
文字数据
如果数据有1000段时序的句子，每句话有25个字，对每个字进行向量化，每个字的向量维度为300，那么batch_size=1000，time_steps=25，input_size=300。
解析：time_steps一般情况下就是等于句子的长度，input_size等于字量化后向量的长度。
图片数据
拿MNIST手写数字集来说，训练数据有6000个手写数字图像，每个数字图像大小为28*28，batch_size=6000没的说，time_steps=28，input_size=28，我们可以理解为把图片图片分成28份，每份shape=(1, 28)。
音频数据
假如训练数据有225段语音，每段语音对其进行分帧处理，每段语音有480帧，每一帧数据shape=(8910,)，则输入shape=(225, 480 8910)，batch_size=225，time_steps就是，每段语音的帧数，time_steps=480，input_size=8910
我们使用RNN永远只需要记住，输入数据一定要是时序的，不能用这一段语音的语音帧，接下一段语音的语音帧，因为这两段语音之间没有时域连续性。
RNN数据一定要是三维的，第一维是batch_size，第二维是time_steps，第三位是数据input_size。
