一、
双向循环神经网络(Bidirectional Recurrent Neural Network,BiRNN)是一种常见的循环神经网络结构。与传统的循环神经网络只考虑历史时刻的信息不同,双向循环神经网络不仅考虑历史时刻的信息,还考虑未来时刻的信息。
在双向循环神经网络中,输入序列可以被看作是由两个部分组成的:正向和反向。在正向部分中,输入数据从前往后进行处理,而在反向部分中,输入数据从后往前进行处理。这两个部分在网络中分别使用独立的循环神经网络进行计算,并将它们的输出进行拼接。这样,网络就可以获得正向和反向两个方向的信息,并且能够同时考虑整个序列的上下文信息。
双向循环神经网络的作用是在处理序列数据时,提供更全面、更准确的上下文信息,能够捕获序列中前后关系,对于很多序列处理任务(例如自然语言处理、语音识别等)的效果都有很大的提升。在本代码中,设置了 bidirectional=True,意味着使用双向 GRU,提取的特征包含了正向和反向的信息。在 GRU 层输出后,通过 torch.cat() 将正向和反向的最后一个时间步的隐含状态进行拼接,从而得到一个更全面的特征表示。
二、项目简介:根据名字中的字符来预测其是哪个国家的人
代码:
import csv
import time
import matplotlib.pyplot as plt
import numpy as np
import math
import gzip # 用于读取压缩文件
import torch
import torch.optim as optim
from torch.utils.data import Dataset, DataLoader
from torch.nn.utils.rnn import pack_padded_sequence# 一些超参数
HIDDEN_SIZE = 100
BATCH_SIZE = 256 # 一次训练的样本数,为256个名字
N_LAYER = 2 # RNN的层数
N_EPOCHS = 100
N_CHARS = 128 # ASCII码一共有128个字符
USE_GPU = False # 不好意思,我没GPU!# 构造数据集
class NameDataset(Dataset):def __init__(self, is_train_set=True):filename = '../Data/names_train.csv.gz' if is_train_set else '../Data/names_test.csv.gz'with gzip.open(filename, 'rt') as f: # rt表示以只读模式打开文件,并将文件内容解析为文本形式reader = csv.reader(f)rows = list(reader) # rows是一个列表,每个元素是一个名字和国家名组成的列表self.names = [row[0] for row in rows] # 一个很长的列表,每个元素是一个名字,字符串,长度不一,需要转化为数字self.len = len(self.names) # 训练集:13374 测试集:6700self.countries = [row[1] for row in rows] # 一个很长的列表,每个元素是一个国家名,字符串,需要编码成数字# 下面两行的作用其实就是把国家名编码成数字,因为后面要用到交叉熵损失函数self.country_list = list(sorted(set(self.countries))) # 列表,按字母表顺序排序,去重后有18个国家名self.country_dict = self.getCountryDict() # 字典,key是国家名,value是country_list的国家名对应的索引(0-17)self.country_num = len(self.country_list) # 18# 根据样本的索引返回姓名和国家名对应的索引,可以理解为(特征,标签),但这里的特征是姓名,后面还需要转化为数字,标签是国家名对应的索引def __getitem__(self, index):return self.names[index], self.country_dict[self.countries[index]]# 返回样本数量def __len__(self):return self.len# 返回一个key为国家名和value为索引的字典def getCountryDict(self):country_dict = dict() # 空字典for idx, country_name in enumerate(self.country_list):country_dict[country_name] = idxreturn country_dict# 根据索引(标签值)返回对应的国家名def idx2country(self, index):return self.country_list[index]# 返回国家名(标签类别)的个数,18def getCountriesNum(self):return self.country_num# 实例化数据集
trainset = NameDataset(is_train_set=True)
trainloader = DataLoader(trainset, batch_size=BATCH_SIZE, shuffle=True)
testset = NameDataset(is_train_set=False)
testloader = DataLoader(testset, batch_size=BATCH_SIZE, shuffle=False)N_COUNTRY = trainset.getCountriesNum() # 18个国家名,即18个类别# 设计神经网络模型
class RNNClassifier(torch.nn.Module):def __init__(self, input_size, hidden_size, output_size, n_layers=1, bidirectional=True):super(RNNClassifier, self).__init__()self.hidden_size = hidden_size # 隐含层的大小,100self.n_layers = n_layers # RNN的层数,2self.n_directions = 2 if bidirectional else 1 # 是否使用双向RNN# 词嵌入层:input_size是输入的特征数(即不同词语的个数),即128;embedding_size是词嵌入的维度(即将词语映射到的向量的维度),这里让它等于了隐含层的大小,即100self.embedding = torch.nn.Embedding(input_size, hidden_size)# GRU层:input_size是输入的特征数(这里是embedding_size,其大小等于hidden_size),即100;hidden_size是隐含层的大小,即100;n_layers是RNN的层数,2;bidirectional是是否使用双向RNNself.gru = torch.nn.GRU(hidden_size, hidden_size, n_layers, bidirectional=bidirectional)# 全连接层:hidden_size是隐含层的大小,即100;output_size是输出的特征数(即不同类别的个数),即18self.fc = torch.nn.Linear(hidden_size * self.n_directions, output_size)def _init_hidden(self, batch_size):# 初始化隐含层,形状为(n_layers * num_directions, batch_size, hidden_size)hidden = torch.zeros(self.n_layers * self.n_directions, batch_size, self.hidden_size)return create_tensor(hidden)def forward(self, input, seq_lengths):# input shape:B X S -> S X Binput = input.t() # 转置,变成(seq_len,batch_size)batch_size = input.size(1) # 256,一次训练的样本数,为256个名字,即batch_sizehidden = self._init_hidden(batch_size)# 1、嵌入层处理,input:(seq_len,batch_size) -> embedding:(seq_len,batch_size,embedding_size)embedding = self.embedding(input)# pack them upgru_input = pack_padded_sequence(embedding, seq_lengths)# output:(*, hidden_size * num_directions),*表示输入的形状(seq_len,batch_size)# hidden:(num_layers * num_directions, batch, hidden_size)output, hidden = self.gru(gru_input, hidden)if self.n_directions == 2:hidden_cat = torch.cat([hidden[-1], hidden[-2]],dim=1) # hidden[-1]的形状是(1,256,100),hidden[-2]的形状是(1,256,100),拼接后的形状是(1,256,200)else:hidden_cat = hidden[-1] # (1,256,100)fc_output = self.fc(hidden_cat) # 返回的是(1,256,18)return fc_output# 下面该函数属于数据准备阶段的延续部分,因为神经网络只能处理数字,不能处理字符串,所以还需要把姓名转换成数字
def make_tensors(names, countries):# 传入的names是一个列表,每个元素是一个姓名字符串,countries也是一个列表,每个元素是一个整数sequences_and_lengths = [name2list(name) for name innames] # 返回的是一个列表,每个元素是一个元组,元组的第一个元素是姓名字符串转换成的数字列表,第二个元素是姓名字符串的长度name_sequences = [sl[0] for sl in sequences_and_lengths] # 返回的是一个列表,每个元素是姓名字符串转换成的数字列表seq_lengths = torch.LongTensor([sl[1] for sl in sequences_and_lengths]) # 返回的是一个列表,每个元素是姓名字符串的长度countries = countries.long() # PyTorch 中,张量的默认数据类型是浮点型 (float),这里转换成整型,可以避免浮点数比较时的精度误差,从而提高模型的训练效果# make tensor of name, (Batch_size,Seq_len) 实现填充0的功能seq_tensor = torch.zeros(len(name_sequences), seq_lengths.max()).long()for idx, (seq, seq_len) in enumerate(zip(name_sequences, seq_lengths)):seq_tensor[idx, :seq_len] = torch.LongTensor(seq)# sort by length to use pack_padded_sequence# perm_idx是排序后的数据在原数据中的索引,seq_tensor是排序后的数据,seq_lengths是排序后的数据的长度,countries是排序后的国家seq_lengths, perm_idx = seq_lengths.sort(dim=0, descending=True)seq_tensor = seq_tensor[perm_idx]countries = countries[perm_idx]return create_tensor(seq_tensor), create_tensor(seq_lengths), create_tensor(countries)# 把名字转换成ASCII码,返回ASCII码值列表和名字的长度
def name2list(name):arr = [ord(c) for c in name]return arr, len(arr)# 是否把数据放到GPU上
def create_tensor(tensor):if USE_GPU:device = torch.device('cuda:0')tensor = tensor.to(device)return tensor# 训练模型
def trainModel():total_loss = 0for i, (names, countries) in enumerate(trainloader, 1):inputs, seq_lengths, target = make_tensors(names, countries)output = classifier(inputs, seq_lengths)loss = criterion(output, target)optimizer.zero_grad()loss.backward()optimizer.step()total_loss += loss.item()if i % 10 == 0:print(f'[{timeSince(start)}] Epoch {epoch} ', end='') # end=''表示不换行print(f'[{i * len(inputs)}/{len(trainset)}] ', end='')print(f'loss={total_loss / (i * len(inputs))}') # 打印每个样本的平均损失return total_loss # 返回的是所有样本的损失,我们并没有用上它# 测试模型
def testModel():correct = 0total = len(testset)print('evaluating trained model ...')with torch.no_grad():for i, (names, countries) in enumerate(testloader, 1):inputs, seq_lengths, target = make_tensors(names, countries)output = classifier(inputs, seq_lengths)pred = output.max(dim=1, keepdim=True)[1] # 返回每一行中最大值的那个元素的索引,且keepdim=True,表示保持输出的二维特性correct += pred.eq(target.view_as(pred)).sum().item() # 计算正确的个数percent = '%.2f' % (100 * correct / total)print(f'Test set: Accuracy {correct}/{total} {percent}%')return correct / total # 返回的是准确率,0.几几的格式,用来画图def timeSince(since):now = time.time()s = now - sincem = math.floor(s / 60) # math.floor()向下取整s -= m * 60return '%dmin %ds' % (m, s) # 多少分钟多少秒if __name__ == '__main__':classifier = RNNClassifier(N_CHARS, HIDDEN_SIZE, N_COUNTRY, N_LAYER)if USE_GPU:device = torch.device('cuda:0')classifier.to(device)# 定义损失函数和优化器criterion = torch.nn.CrossEntropyLoss()optimizer = optim.Adam(classifier.parameters(), lr=0.001)start = time.time()print('Training for %d epochs...' % N_EPOCHS)acc_list = []# 在每个epoch中,训练完一次就测试一次for epoch in range(1, N_EPOCHS + 1):# Train cycletrainModel()acc = testModel()acc_list.append(acc)# 绘制在测试集上的准确率epoch = np.arange(1, len(acc_list) + 1)acc_list = np.array(acc_list)plt.plot(epoch, acc_list)plt.xlabel('Epoch')plt.ylabel('Accuracy')plt.grid()plt.show()
运行结果: