深度学习入门：循环神经网络------RNN概述，词嵌入层，循环网络层及案例实践！（万字详解！）

🍔 RNN 概述

1.1 循环神经网络

1.2 自然语言处理

🍔 词嵌入层

2.1 词嵌入层的使用

2.2 关于词嵌入层的思考

2.3 小节

🍔 循环网络层

3.1 RNN 网络原理

3.1.1 RNN计算过程

3.1.2 如何计算神经元内部

3.2 PyTorch RNN 层的使用

3.3 小节

🍔 案例-文本生成

4.1 构词词典

4.2 构建数据集对象

4.3 构建网络模型

4.4 构建训练函数

4.5 构建预测函数

4.6 小节

🍔 RNN 概述

1.1 循环神经网络

🐼 循环神经网络(Recurrent Nearal Networks, RNN)是一种专门用于处理序列数据的神经网络架构。它通过引入循环连接，使得网络能够捕捉序列中的时间依赖性和上下文信息。

在RNN中，每个时间步的隐藏层不仅接收当前输入，还接收来自上一时间步隐藏层的输出，这种机制允许网络“记忆”过去的信息，从而有效处理如文本、语音、时间序列等序列数据。

RNN广泛应用于自然语言处理（如机器翻译、情感分析）、语音识别、时间序列预测等领域，展现了强大的序列建模能力。

1.2 自然语言处理

🐼 自然语言处理（Nature language Processing, NLP）研究的主要是通过计算机算法来理解自然语言。对于自然语言来说，处理的数据主要就是人类的语言，例如：汉语、英语、法语等，由于该类型的数据不像我们前面接触的过的结构化数据、或者图像数据可以很方便的进行数值化。所以，在本章节，我们主要学习如何将文本数据进行数值化的词嵌入技术、以及如何对文本数据建模的循环网络模型。

最后，我们会通过使用学习到的技术完成文本生成任务，即：输入一个词，由模型预测出指定长度的歌词。

🍔 词嵌入层

学习目标

🍀 知道词嵌入概念

🍀 掌握PyTorch词嵌入api

我们在进行文本数据处理时，需要将文本进行数据值化，然后进行后续的训练工作。词嵌入层的作用就是将文本转换为向量的。

2.1 词嵌入层的使用

词嵌入层首先会根据输入的词的数量构建一个词向量矩阵，例如: 我们有 100 个词，每个词希望转换成 128 维度的向量，那么构建的矩阵形状即为: 100*128，输入的每个词都对应了一个该矩阵中的一个向量。

在 PyTorch 中，我们可以使用 nn.Embedding 词嵌入层来实现输入词的向量化。接下来，我们将会学习如何将词转换为词向量。

其步骤如下:

💘 先将语料进行分词，构建词与索引的映射，我们可以把这个映射叫做词表，词表中每个词都对应了一个唯一的索引；

💘 然后使用 nn.Embedding 构建词嵌入矩阵，词索引对应的向量即为该词对应的数值化后的向量表示。

例如，我们的文本数据为: "北京冬奥的进度条已经过半，不少外国运动员在完成自己的比赛后踏上归途。"，接下来，我们看下如何使用词嵌入层将其进行转换为向量表示。

步骤如下：

💘 首先，将文本进行分词；

💘 然后，根据词构建词表；

💘 最后，使用嵌入层将文本转换为向量表示。

nn.Embedding 对象构建时，最主要有两个参数:

num_embeddings 表示词的数量
embedding_dim 表示用多少维的向量来表示每个词

nn.Embedding(num_embeddings=10, embedding_dim=4)

接下来，我们就实现下刚才的需求💯 ：

import torch
import torch.nn as nn
import jiebaif __name__ == '__main__':text = '北京冬奥的进度条已经过半，不少外国运动员在完成自己的比赛后踏上归途。'# 1. 文本分词words = jieba.lcut(text)print('文本分词:', words)# 2. 构建词表index_to_word = {}word_to_index = {}# 分词去重并保留原来的顺序unique_words = list(set(words))for idx, word in enumerate(unique_words):index_to_word[idx] = wordword_to_index[word] = idx# 3. 构建词嵌入层# num_embeddings: 表示词表词的总数量# embedding_dim: 表示词嵌入的维度embed = nn.Embedding(num_embeddings=len(index_to_word), embedding_dim=4)# 4. 文本转换为词向量表示print('-' * 82)for word in words:# 获得词对应的索引idx = word_to_index[word]# 获得词嵌入向量word_vec = embed(torch.tensor(idx))print('%3s\t' % word, word_vec)

程序输出结果💯 :

文本分词: ['北京', '冬奥', '的', '进度条', '已经', '过半', '，', '不少', '外国', '运动员', '在', '完成', '自己', '的', '比赛', '后', '踏上', '归途', '。']
----------------------------------------------------------------------------------北京  tensor([-0.9270, -0.2379, -0.6142, -1.4764], grad_fn=<EmbeddingBackward>)冬奥  tensor([ 0.3541, -0.4493,  0.7205,  0.1818], grad_fn=<EmbeddingBackward>)的  tensor([-0.4832, -1.4191,  0.6283,  0.0977], grad_fn=<EmbeddingBackward>)
进度条  tensor([ 1.4518, -0.3859, -0.6866,  1.1921], grad_fn=<EmbeddingBackward>)已经  tensor([ 0.3793,  1.6623, -0.2279, -0.2272], grad_fn=<EmbeddingBackward>)过半  tensor([ 0.0732,  1.4832, -0.7802,  0.6884], grad_fn=<EmbeddingBackward>)，  tensor([ 0.6126,  1.0175, -0.4427,  0.6719], grad_fn=<EmbeddingBackward>)不少  tensor([ 1.0787, -0.2942, -1.0300, -0.6026], grad_fn=<EmbeddingBackward>)外国  tensor([-0.0484, -0.1542,  1.0033, -1.2332], grad_fn=<EmbeddingBackward>)
运动员  tensor([-1.3133,  0.3807,  0.3957,  1.1283], grad_fn=<EmbeddingBackward>)在  tensor([ 0.0146, -1.7078, -0.9399,  1.5368], grad_fn=<EmbeddingBackward>)完成  tensor([-0.1084, -0.0734, -0.1800, -0.5065], grad_fn=<EmbeddingBackward>)自己  tensor([ 0.8480, -0.4750, -0.1357,  0.4134], grad_fn=<EmbeddingBackward>)的  tensor([-0.4832, -1.4191,  0.6283,  0.0977], grad_fn=<EmbeddingBackward>)比赛  tensor([0.0928, 0.8925, 1.1197, 2.5525], grad_fn=<EmbeddingBackward>)后  tensor([ 0.8835,  0.7304,  1.3754, -1.7842], grad_fn=<EmbeddingBackward>)踏上  tensor([ 1.0809, -0.3135,  0.6346,  0.3923], grad_fn=<EmbeddingBackward>)归途  tensor([ 0.1834, -1.2411, -0.9244, -0.0265], grad_fn=<EmbeddingBackward>)。  tensor([ 0.0290,  0.1881, -1.3138,  0.6514], grad_fn=<EmbeddingBackward>)

2.2 关于词嵌入层的思考

我们的词嵌入层默认使用的是均值为 0，标准差为 1 的正态分布进行初始化，也可以理解为是随机初始化。

🐻 有些同学可能就想，这个用来表示词的文本真的能够表达出词的含义吗？

nn.Embedding 中对每个词的向量表示都是随机生成的
当一个词输入进来之后，会使用随机产生的向量来表示该词
该词向量参与到下游任务的计算
下游任务计算之后，会和目标结果进行对比产生损失
接下来，通过反向传播更新所有的网络参数，这里的参数就包括了 nn.Embedding 中的词向量表示

这样通过反复的前向计算、反向传播、参数更新，最终我们每个词的向量表示就会变得更合理。

2.3 小节

🍬 本小节主要讲解了在自然语言处理任务中，经常使用的词嵌入层的使用。它的主要作用就是将输入的词映射为词向量，便于在网络模型中进行计算。

🍬 需要注意的是,：词嵌入层中的向量表示是可学习的，并不是固定不变的。

🍔 循环网络层

学习目标

🍀 掌握RNN网络原理

🍀 掌握PyTorch RNN api

我们前面学习了词嵌入层，可以将文本数据映射为数值向量，进而能够送入到网络进行计算。但是，还存在一个问题，文本数据是具有序列特性的，例如: "我爱你", 这串文本就是具有序列关系的，"爱" 需要在 "我" 之后，"你" 需要在 "爱" 之后, 如果颠倒了顺序，那么可能就会表达不同的意思。

为了能够表示出数据的序列关系我们需要使用循环神经网络(Recurrent Nearal Networks, RNN) 来对数据进行建模，RNN 是一个具有记忆功能的网络，它作用于处理带有序列特点的样本数据。

本小节，我们将会带着大家深入学习 RNN 循环网络层的原理、计算过程，以及在 PyTorch 中如何使用 RNN 层。

3.1 RNN 网络原理

3.1.1 RNN计算过程

当我们希望使用循环网络来对 "我爱你" 进行语义提取时，RNN 是如何计算过程是什么样的呢？

上图中 h 表示隐藏状态, 每一次的输入都会有包含两个值: 上一个时间步的隐藏状态、当前状态的输入值，输出当前时间步的隐藏状态。

上图中，为了更加容易理解，虽然我画了 3 个神经元, 但是实际上只有一个神经元，"我爱你" 三个字是重复输入到同一个神经元中。

接下来，我们举个例子来理解上图的工作过程，假设我们要实现文本生成，也就是输入 "我爱" 这两个字，来预测出 "你"，其如下图所示:

我们将上图展开成不同时间步的形式，如下图所示:

我们首先初始化出第一个隐藏状态，一般都是全0的一个向量，然后将 "我" 进行词嵌入，转换为向量的表示形式，送入到第一个时间步，然后输出隐藏状态 h1，然后将 h1 和 "爱" 输入到第二个时间步，得到隐藏状态 h2, 将 h2 送入到全连接网络，得到 "你" 的预测概率。

那么，你可能会想，循环网络只能有一个神经元吗？

我们的循环网络网络可以有多个神经元，如下图所示：

我们依次将 "我爱你" 三个字分别送入到每个神经元进行计算，假设词嵌入时，"我爱你" 的维度为 128，经过循环网络之, "我爱你" 三个字的词向量维度就会变成 4. 所以, 我们理解了循环神经网络的的神经元个数会影响到输出的数据维度。

3.1.2 如何计算神经元内部

上述公式中:

Wih 表示输入数据的权重
bih 表示输入数据的偏置
Whh 表示输入隐藏状态的权重
bhh 表示输入隐藏状态的偏置

最后对输出的结果使用 tanh 激活函数进行计算，得到该神经元你的输出。

3.2 PyTorch RNN 层的使用

接下来，我们学习 PyTorch 的 RNN 层的用法.

注意: RNN 层输入的数据为三个维度: (seq_len, batch_size, input_size).

示例代码如下💯 :

import torch
import torch.nn as nn# 1. RNN 送入单个数据
def test01():# 输入数据维度 128, 输出维度 256rnn = nn.RNN(input_size=128, hidden_size=256)# 第一个数字: 表示句子长度# 第二个数字: 批量个数# 第三个数字: 表示数据维度inputs = torch.randn(1, 1, 128)hn = torch.zeros(1, 1, 256)output, hn = rnn(inputs, hn)print(output.shape)print(hn.shape)# 2. RNN层送入批量数据
def test02():# 输入数据维度 128, 输出维度 256rnn = nn.RNN(input_size=128, hidden_size=256)# 第一个数字: 表示句子长度# 第二个数字: 批量个数# 第三个数字: 表示数据维度inputs = torch.randn(1, 32, 128)hn = torch.zeros(1, 32, 256)output, hn = rnn(inputs, hn)print(output.shape)print(hn.shape)if __name__ == '__main__':test01()test02()

程序输出结果💯 :

torch.Size([1, 1, 256])
torch.Size([1, 1, 256])
torch.Size([1, 32, 256])
torch.Size([1, 32, 256])

3.3 小节

🍬 在本章节中我们学习了 RNN 层及其原理，并学习了 PyTorch 中 RNN 网络层的基本使用。

🍔 案例-文本生成

学习目标

🍀 掌握文本生成模型构建流程

文本生成任务是一种常见的自然语言处理任务，输入一个开始词能够预测出后面的词序列。本案例将会使用循环神经网络来实现周杰伦歌词生成任务。

数据集如下:

想要有直升机
想要和你飞到宇宙去
想要和你融化在一起
融化在宇宙里
我每天每天每天在想想想想著你
这样的甜蜜
让我开始相信命运
感谢地心引力
让我碰到你
漂亮的让我面红的可爱女人

数据集共有 5819 行。

4.1 构词词典

我们在进行自然语言处理任务之前，首要做的就是就是构建词表。所谓的词表就是将语料进行分词，然后给每一个词分配一个唯一的编号，便于我们送入词嵌入层。

最终，我们的词典主要包含了:

word_to_index: 存储了词到编号的映射
index_to_word: 存储了编号到词的映射

一般构建词表的流程如下:

语料清洗, 去除不相关的内容
对语料进行分词
构建词表

接下来, 我们对周杰伦歌词的语料数据按照上面的步骤构建词表💯：

# 构建词典
def build_vocab():file_name = 'data/jaychou_lyrics.txt'# 1. 清洗文本clean_sentences = []for line in open(file_name, 'r'):line = line.replace('〖韩语Rap译文〗','')# 去除中文、英文、数字、部分标点符号外的其他字符line = re.sub(r'[^\u4e00-\u9fa5 a-zA-Z0-9!?,]', '', line)# 连续空格替换成1个line = re.sub(r'[ ]{2,}', '', line)# 去除两侧空格、换行line = line.strip()# 去除单字的行if len(line) <= 1:continue# 去除重复行if line not in clean_sentences:clean_sentences.append(line)# 2. 预料分词index_to_word, all_sentences = [], []for line in clean_sentences:words = jieba.lcut(line)all_sentences.append(words)for word in words:if word not in index_to_word:index_to_word.append(word)# 词到索引映射word_to_index = {word: idx for idx, word in enumerate(index_to_word)}# 词的数量word_count = len(index_to_word)# 句子索引表示corpus_idx = []for sentence in all_sentences:temp = []for word in sentence:temp.append(word_to_index[word])# 在每行歌词之间添加空格隔开temp.append(word_to_index[' '])corpus_idx.extend(temp)return index_to_word, word_to_index, word_count, corpus_idxdef test01():index_to_word, word_to_index, word_count, corpus_idx = build_vocab()print(word_count)print(index_to_word)print(word_to_index)print(corpus_idx)

4.2 构建数据集对象

我们在训练的时候，为了便于读取语料，并送入网络，所以我们会构建一个 Dataset 对象，并使用该对象构建 DataLoader 对象，然后对 DataLoader 对象进行迭代可以获取语料，并将其送入网络。

话不多说，代码演示💯：

class LyricsDataset:def __init__(self, corpus_idx, num_chars):# 语料数据self.corpus_idx = corpus_idx# 语料长度self.num_chars = num_chars# 词的数量self.word_count = len(self.corpus_idx)# 句子数量self.number =  self.word_count // self.num_charsdef __len__(self):return self.numberdef __getitem__(self, idx):# 修正索引值到: [0, self.word_count - 1]start = min(max(idx, 0),  self.word_count - self.num_chars - 2)x = self.corpus_idx[start: start + self.num_chars]y = self.corpus_idx[start + 1: start + 1 + self.num_chars]return torch.tensor(x), torch.tensor(y)def test02():_, _, _, corpus_idx = build_vocab()lyrics = LyricsDataset(corpus_idx, 5)lyrics_dataloader = DataLoader(lyrics, shuffle=False, batch_size=1)for x, y in lyrics_dataloader:print('x:', x)print('y:', y)break

4.3 构建网络模型

我们用于实现《歌词生成》的网络模型，主要包含了三个层:

词嵌入层: 用于将语料转换为词向量
循环网络层: 提取句子语义
全连接层: 输出对词典中每个词的预测概率

我们前面学习了 Dropout 层，它具有正则化作用，所以在我们的网络层中，我们会对词嵌入层、循环网络层的输出结果进行 Dropout 计算。

示例代码如下💯 :

class TextGenerator(nn.Module):def __init__(self, vocab_size):super(TextGenerator, self).__init__()# 初始化词嵌入层self.ebd = nn.Embedding(vocab_size, 128)# 循环网络层self.rnn = nn.RNN(128, 128, 1)# 输出层self.out = nn.Linear(128, vocab_size)def forward(self, inputs, hidden):# 输出维度: (1, 5, 128)embed = self.ebd(inputs)# 正则化层embed = F.dropout(embed, p=0.2)# 修改维度: (5, 1, 128)output, hidden = self.rnn(embed.transpose(0, 1), hidden)# 正则化层embed = F.dropout(output, p=0.2)# 输入维度: (5, 128)# 输出维度: (5, 5682)output = self.out(output.squeeze())return output, hiddendef init_hidden(self):return torch.zeros(1, 1, 128)def test03():index_to_word, word_to_index, word_count, corpus_idx = build_vocab()_, _, _, corpus_idx = build_vocab()lyrics = LyricsDataset(corpus_idx, 5)lyrics_dataloader = DataLoader(lyrics, shuffle=False, batch_size=1)model = TextGenerator(word_count)for x, y in lyrics_dataloader:hidden = model.init_hidden()print(x.shape)model(x, hidden)break

4.4 构建训练函数

前面的准备工作完成之后, 我们就可以编写训练函数。训练函数主要负责编写数据迭代、送入网络、计算损失、反向传播、更新参数，其流程基本较为固定。

由于我们要实现文本生成，文本生成本质上，输入一串文本，预测下一个文本，也属于分类问题，所以，我们使用多分类交叉熵损失函数。优化方法我们学习过 SGB、AdaGrad、Adam 等，在这里我们选择学习率、梯度自适应的 Adam 算法作为我们的优化方法。

训练完成之后，我们使用 torch.save 方法将模型持久化存储。

def train():# 构建词典index_to_word, word_to_index, word_count, corpus_idx = build_vocab()# 数据集lyrics = LyricsDataset(corpus_idx, 32)# 初始化模型model = TextGenerator(word_count)# 损失函数criterion = nn.CrossEntropyLoss()# 优化方法optimizer = optim.Adam(model.parameters(), lr=1e-3)# 训练轮数epoch = 200# 迭代打印iter_num = 300# 训练日志train_log = 'lyrics_training.log'file = open(train_log, 'w')# 开始训练for epoch_idx in range(epoch):# 数据加载器lyrics_dataloader = DataLoader(lyrics, shuffle=True, batch_size=1)# 训练时间start = time.time()# 迭代次数iter_num = 0# 训练损失total_loss = 0.0for x, y in lyrics_dataloader:# 隐藏状态hidden = model.init_hidden()# 模型计算output, hidden = model(x, hidden)# 计算损失loss = criterion(output, y.squeeze())# 梯度清零optimizer.zero_grad()# 反向传播loss.backward()# 参数更新optimizer.step()iter_num += 1total_loss += loss.item()message = 'epoch %3s loss: %.5f time %.2f' % \(epoch_idx + 1,total_loss / iter_num,time.time() - start)print(message)file.write(message + '\n')file.close()# 模型存储torch.save(model.state_dict(), 'model/lyrics_model_%d.bin' % epoch)

4.5 构建预测函数

到了最后一步，我们从磁盘加载训练好的模型，进行预测。预测函数，输入第一个指定的词，我们将该词输入网路，预测出下一个词，再将预测的出的词再次送入网络，预测出下一个词，以此类推，知道预测出我们指定长度的内容。

def predict(start_word, sentence_length):# 构建词典index_to_word, word_to_index, word_count, _ = build_vocab()# 构建模型model = TextGenerator(vocab_size=word_count)# 加载参数model.load_state_dict(torch.load('model/lyrics_model_200.bin'))# 隐藏状态hidden = model.init_hidden()# 词转换为索引word_idx = word_to_index[start_word]generate_sentence = [word_idx]for _ in range(sentence_length):output, hidden = model(torch.tensor([[word_idx]]), hidden)word_idx = torch.argmax(output)generate_sentence.append(word_idx)for idx in generate_sentence:print(index_to_word[idx], end='')print()if __name__ == '__main__':predict('分手', 50)

程序运行结果:

分手的话像语言暴力 我已无能为力再提起 决定中断熟悉 周杰伦 周杰伦 一步两步三步四步望著天 看星星 一颗两颗三颗四颗 连成线一步两步三步四步望著天 看星星 一颗两颗三颗四颗

4.6 小节

本小节，带着大家使用学习到的循环神经网络的知识，构建了一个《歌词生成》的项目。

该项目的实现流程如下:

🍬 构建词汇表

🍬 构建数据对象

🍬 编写网络模型

🍬 编写训练函数

🍬 编写预测函数

佬~若文章对您有帮助，留下您的关注哟~您的关注是我最大的动力！