PyTorch程序练习（二）：循环神经网络的PyTorch实现

一、RNN实现

结构原理

代码实现

import torch
import torch.nn as nn
 
class RNN(nn.Module):
    def __init__(self, input_size, hidden_size, output_size):
        super(RNN, self).__init__()
        self.hidden_size = hidden_size
        self.i2h = nn.Linear(input_size + hidden_size, hidden_size)
        self.i2o = nn.Linear(input_size + hidden_size, output_size)
        self.softmax = nn.LogSoftmax(dim=1)
 
    def forward(self, input, hidden):
        combined = torch.cat((input, hidden), 1)
        hidden = self.i2h(combined)     #全连接层
        output: object = self.i2o(combined)
        output = self.softmax(output)
        return output, hidden
 
    def initHidden(self):
        return torch.zeros(1, self.hidden_size)

二、LSTM实现

结构原理

封装好的LSTM

import torch
import torch.nn as nn
 
class LSTMTagger(nn.Module):
    def __init__(self, embedding_dim, hidden_dim, vocab_size, tagset_size):
        super(LSTMTagger, self).__init__()
        self.hidden_dim = hidden_dim
        self.word_embeddings = nn.Embedding(vocab_size, embedding_dim)
 
        # LSTM以word_embeddings作为输入, 输出维度为 hidden_dim 的隐藏状态值
        self.lstm = nn.LSTM(embedding_dim, hidden_dim)
 
        # 线性层将隐藏状态空间映射到标注空间
        self.hidden2tag = nn.Linear(hidden_dim, tagset_size)
        self.hidden = self.init_hidden()
 
    def init_hidden(self):
        # 一开始并没有隐藏状态所以要先初始化一个
        # 各个维度的含义是 (num_layers, minibatch_size, hidden_dim)
        return (torch.zeros(1, 1, self.hidden_dim),
                torch.zeros(1, 1, self.hidden_dim))
 
    def forward(self, sentence):
        embeds = self.word_embeddings(sentence)
        lstm_out, self.hidden = self.lstm(embeds.view(len(sentence), 1, -1), self.hidden)
        tag_space = self.hidden2tag(lstm_out.view(len(sentence), -1))
        tag_scores = F.log_softmax(tag_space, dim=1)
        return tag_scores

未封装的LSTM

import torch
import torch.nn as nn
 
class LSTMCell(nn.Module):
    def __init__(self, input_size, hidden_size, cell_size, output_size):
        super(LSTMCell, self).__init__()
        self.hidden_size = hidden_size
        self.cell_size = cell_size
        self.gate = nn.Linear(input_size + hidden_size, cell_size)  # 门：线性全连接层
        self.output = nn.Linear(hidden_size, output_size)
        self.sigmoid = nn.Sigmoid()
        self.tanh = nn.Tanh()
        self.softmax = nn.LogSoftmax(dim=1)
 
    def forward(self, input, hidden, cell):
        combined = torch.cat((input, hidden), 1)        #维度上连接
        f_gate = self.sigmoid(self.gate(combined))      #遗忘门
        i_gate = self.sigmoid(self.gate(combined))      #输入门
        o_gate = self.sigmoid(self.gate(combined))      #输出门
        z_state = self.tanh(self.gate(combined))
        cell = torch.add(torch.mul(cell, f_gate), torch.mul(z_state, i_gate))
        """
        cell长期记忆细胞：(cell·f_gate)+（z_state·i_gate）
        遗忘门经过sigmoid后，值在[0,1]之间：
            当f_gate趋于0时，和cell矩阵相乘后，记忆细胞为0，忘记长期记忆；
            当f_gate区域1时，cell全部输入，作为长期记忆。
        """
        hidden = torch.mul(self.tanh(cell), o_gate)     #隐藏层：长期记忆细胞cell先过一层tanh激活函数，然后和输出门o_gate矩阵相乘
        output = self.output(hidden)    #隐藏层作为输出层的输出
        output = self.softmax(output)
        return output, hidden, cell
 
    def initHidden(self):
        return torch.zeros(1, self.hidden_size)
 
    def initCell(self):
        return torch.zeros(1, self.cell_size)

三、GRU实现

结构原理

 

代码实现

import torch
import torch.nn as nn
 
class GRUCell(nn.Module):
    def __init__(self, input_size, hidden_size, output_size):
        super(GRUCell, self).__init__()
        self.hidden_size = hidden_size
        self.gate = nn.Linear(input_size + hidden_size, hidden_size)
        self.output = nn.Linear(hidden_size, output_size)
        self.sigmoid = nn.Sigmoid()
        self.tanh = nn.Tanh()
        self.softmax = nn.LogSoftmax(dim=1)
 
    def forward(self, input, hidden):
        combined = torch.cat((input, hidden), 1)
        z_gate = self.sigmoid(self.gate(combined))      #重置门
        r_gate = self.sigmoid(self.gate(combined))      #更新门
        combined01 = torch.cat((input, torch.mul(hidden, r_gate)), 1)
        h1_state = self.tanh(self.gate(combined01))
 
        h_state = torch.add(torch.mul((1 - z_gate), hidden), torch.mul(h1_state, z_gate))
        output = self.output(h_state)
        output = self.softmax(output)
        return output, h_state
 
    def initHidden(self):
        return torch.zeros(1, self.hidden_size)

四、程序分析

1、RNN（Recurrent Natural Network,循环神经网络） 

         PyTorch提供了两个版本的循环神经网络接口，单元版的输入是每个时间步，或循环神经网络的一个循环，而封装版的是一个序列。

 2、LSTM（Long Short-TermMemory,长短时记忆网络）

        LSTM是在RNN基础上增加了长时间记忆功能，具体通过增加一个状态C及利用3个门（Gate）实现对信息的更精准控制。
        LSTM比标准的RNN多了3个线性变换，多出的3个线性变换的权重合在一起是RNN的4倍，偏移量也是RNN的4倍。所以，LSTM的参数个数是RNN的4倍。
        除了参数的区别外，隐含状态除h0外，多了一个c0，两者形状相同，都是(num_layers*num_directions,batch,hidden_size)，它们合在一起构成了LSTM的隐含状态。所以，LSTM的输入隐含状态为（h0,c0），输出的隐含状态为(hn,cn)，其他输入与输出与RNN相同。

 3、GRU（Gated Recurrent Unit,门控循环单元）

        GRU网络结构与LSTM基本相同，主要区别是LSTM共有3个门，两个隐含状态；而GRU只有两个门，一个隐含状态。其参数是标准RNN的3倍。