TensorFlow迴圈神經網路

RNN的網路結構及原理

RNNs包含輸入單元(Inputunits)，輸入集標記為{x0,x1,...,xt,xt+1,...}，而輸出單元(Outputunits)的輸出集則被標記為{y0,y1,...,yt,yt+1.,..}。RNNs還包含隱藏單元(Hiddenunits)，我們將其輸出集標記為{h0,h1,...,ht,ht+1,...}，這些隱藏單元完成了最為主要的工作。

它的網路結構如下：

各個變數的含義：

展開以後形式：

其中每個圓圈可以看作是一個單元，而且每個單元做的事情也是一樣的，因此可以摺疊成左半圖的樣子。用一句話解釋RNN，就是一個單元結構重複使用。

RNN是一個序列到序列的模型，假設xt-1,xt,xt+1是一個輸入：“我是中國“，那麼ot-1,ot就應該對應”是”，”中國”這兩個，預測下一個詞最有可能是什麼？就是ot+1應該是”人”的概率比較大。

實驗內容：使用TensorFlow通過迴圈神經網路演算法RNN對手寫數字據進行數字識別。

原始碼：

import numpy as np
import tensorflow as tf
from tensorflow.contrib import rnn
from tensorflow.examples.tutorials.mnist import input_data
import os
os.environ[
 
"CUDA_VISIBLE_DEVICES"]="0"

mnist=input_data.read_data_sets("/home/yxcx/tf_data",one_hot=True)

#Training Parameters
learning_rate=0.001
training_steps=10000
batch_size=128
display_step=200

#Network Parameters
num_input=28
timesteps=28
num_hidden=128
num_classes=10

#tf Graph input
X=tf.placeholder("float",[None,timesteps,num_input])
Y
 
=tf.placeholder("float",[None,num_classes])

# Define weights
weights={
    'out':tf.Variable(tf.random_normal([num_hidden,num_classes]))
}
biases={
    'out':tf.Variable(tf.random_normal([num_classes]))
}

def RNN(x,weights,biases):
    x=tf.unstack(x,timesteps,1)
    #define a lstm cell with tensorflow
    lstm_cell=rnn.BasicLSTMCell(num_hidden,forget_bias=1.0)

    #Get lstm cell ouput
    outputs,states=rnn.static_rnn(lstm_cell,x,dtype=tf.float32)

    #Linear activation ,using rnn inner loop last output
    return tf.matmul(outputs[-1],weights['out'])+biases['out']

logits=RNN(X,weights,biases)
prediction=tf.nn.softmax(logits)

#Define loss and  optimizer
loss_op=tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(
    logits=logits,labels=Y
))
optimizer=tf.train.GradientDescentOptimizer(learning_rate=learning_rate)
train_op=optimizer.minimize(loss_op)

#Evaluate model(with test logits,for dropout to be disabled)
corrent_pred=tf.equal(tf.argmax(prediction,1),tf.argmax(Y,1))
accuracy=tf.reduce_mean(tf.cast(corrent_pred,tf.float32))

#Initialize the variables
init=tf.global_variables_initializer()

#Start Training
with tf.Session() as sess:
    # Run the initializer
    sess.run(init)
    for step in range(1,training_steps+1):
        batch_x,batch_y=mnist.train.next_batch(batch_size)
        # Reshape data to get 28 seq of 28 elements
        batch_x=batch_x.reshape((batch_size,timesteps,num_input))
        #Run optimization op
        sess.run(train_op,feed_dict={X:batch_x,Y:batch_y})
        if step % display_step ==0 or step==1:
            #Calculate batch loss and accuracy
            loss,acc=sess.run([loss_op,accuracy],feed_dict={X:batch_x,Y:batch_y})
            print('Step'+str(step)+" ,Minibatch Loss"+"{:.4f}".format(loss)+
                  ",Training Accuracy="+"{:.3f}".format(acc))
    print("Optimization Finished!")

    #Calculate accuracy for 128 mnist test images
    test_len=128
    test_data=mnist.test.images[:test_len].reshape((-1,timesteps,num_input))
    test_label=mnist.test.labels[:test_len]
    print("Testing Accuracy:",sess.run(accuracy,feed_dict={X:test_data,Y:test_label}))

結果截圖：