循环神经网络入门的一个总结

1、常用神经网络结构中有个叫RNN的，即循环神经网络。

假设有n个cell，从第一个cell开始说起。

state 0+time0 进入cell ，cell处理，处理后的结果，可以分成两个相同的，一个用来输出该层的输出，另一个送给下一个cell，当然，分成两个相同的之后，想怎么变就怎么变。

对第二个cell来说，第一次的输出和当前时间，是他的输出，就这样，上一个输出始终作为下一个的输入。

深层循环是什么意思呢，就是我们不是两个输出吗，一个用来给下一个cell，那另一个是不是就可以在这个cell的基础上，往深处传播，当然，这个深处在自然语言处理中，一般用于处理单词的词向量。

2、在循环神经网络中，有个结构叫长短期记忆网络（LSTM）

为什么会有个长短期记忆网络呢，因为循环网络实在太长了，但是前面的很多东西我们根本用不上，所以呢 ，对于某些cell来说，我就要忘记一些东西。所以就有了长短期记忆网络。长短期记忆网络的总体结构和上面循环神经网络很像，不过呢，他会多了一个遗忘门，对于以往输入的数据，他会根据当前数据选择性的删除。

#定义LSTM结构
lstm = rnn_cell.BasicLSTMCell(lstm_hidden_size)
#状态初始化，初始化为一个全0数组
state = lstm.zero_state(batch_size,tf.float32)
#loss初始化
loss = 0.0
#规定一个长度，在这个长度内进行运算，太长了对计算机负担太大并且没有必要，这个for语句，实际上就是循环运算， 每次get——variable——socpe，再将lstm算得的数据输出，最后加上。
for i in range(num_steps):
    if i > 0 : tf.get_variable_scope().reuse_variables()
    lstm_output, state = lstm(current_input, state)
    final_output = fully_connected(lstm_output)
    
    loss += calc_loss(final_output, expected_output)

 

3、深层神经网络的代码基础

lstm = rnn_cell.BasicLSTMCell(lstm_size)
#实际上，我们发现，深层循环网络相比普通的，就是在原来的lstm基础上，以lstm*层数为参数，输入到新的函数：MultiRNNCell里面即可。
stacked_lstm = rnn_cell.MultiRNNCell([lstm]*number_of_layers)

state = stacked_lstm.zero_state(batch_size, tf.float32)

for i in range(len(num_steps)):
    if i > 0: tf.get_variable_scope().reuse_variables()
    stacked_lstm_output, state = stacked_lstm(current_input,state)
    final_output = fully_connected(stacked_lstm_output)
    loss += calc_loss(final_output,expected_output)

4、循环神经网络的dropout

lstm = rnn_cell.BasicLSTMCell(lstm_size)
#dropout实际上是将原来的lstm输入函数中，生成一个dropout的latm
dropout_lstm = tf.nn.rnn_cell.DropoutWrapper(lstm,output_keep_prob=0.5)
#实际上，我们发现，深层循环网络相比普通的，就是在原来的lstm基础上，以dropout_lstm*层数为参数，输入到新的函数：MultiRNNCell里面即可。
stacked_lstm = rnn_cell.MultiRNNCell([dropout_lstm]*number_of_layers)

state = stacked_lstm.zero_state(batch_size, tf.float32)

for i in range(len(num_steps)):
    if i > 0: tf.get_variable_scope().reuse_variables()
    stacked_lstm_output, state = stacked_lstm(current_input,state)
    final_output = fully_connected(stacked_lstm_output)
    loss += calc_loss(final_output,expected_output)