云南昆明网站建设公司,jsp网站开发详解下载,沈阳网站制作联系方式,wordpress备案信息文章目录 循环神经网络的简洁实现1. 定义模型2. 训练与预测 循环神经网络的简洁实现
# 使用深度学习框架的高级API提供的函数更有效地实现相同的语言模型
import torch
from torch import nn
from torch.nn import functional as F
from d2l import torch as d2lbatch_size, … 文章目录 循环神经网络的简洁实现1. 定义模型2. 训练与预测 循环神经网络的简洁实现
# 使用深度学习框架的高级API提供的函数更有效地实现相同的语言模型
import torch
from torch import nn
from torch.nn import functional as F
from d2l import torch as d2lbatch_size, num_steps 32, 35
train_iter, vocab d2l.load_data_time_machine(batch_size, num_steps)1. 定义模型
构造一个具有256个隐藏单元的单隐藏层的循环神经网络层rnn_layer
# 构造一个具有256个隐藏单元的单隐藏层的循环神经网络层rnn_layer
num_hiddens 256
rnn_layer nn.RNN(len(vocab), num_hiddens)使用张量初始化状态形状为隐藏层数批量大小隐藏单元数
# 使用张量初始化状态形状为隐藏层数批量大小隐藏单元数
state torch.zeros((1, batch_size, num_hiddens))
state.shape通过一个隐状态和一个输入可以用更新后的隐状态计算输出。
# 通过一个隐状态和一个输入可以用更新后的隐状态计算输出。
# rnn_layer的“输出”Y不涉及输出层的计算 它是指每个时间步的隐状态这些隐状态可以用作后续输出层的输入。
X torch.rand(size(num_steps, batch_size, len(vocab)))
Y, state_new rnn_layer(X, state)
Y.shape, state_new.shape为一个完整的循环神经网络模型定义了一个RNNModel类rnn_layer只包含隐藏的循环层我们还需要创建一个单独的输出层。
# 为一个完整的循环神经网络模型定义了一个RNNModel类
# rnn_layer只包含隐藏的循环层我们还需要创建一个单独的输出层
#save
class RNNModel(nn.Module):循环神经网络模型def __init__(self, rnn_layer, vocab_size, **kwargs):super(RNNModel, self).__init__(**kwargs)self.rnn rnn_layerself.vocab_size vocab_sizeself.num_hiddens self.rnn.hidden_size# 如果RNN是双向的之后将介绍num_directions应该是2否则应该是1if not self.rnn.bidirectional:self.num_directions 1self.linear nn.Linear(self.num_hiddens, self.vocab_size)else:self.num_directions 2self.linear nn.Linear(self.num_hiddens * 2, self.vocab_size)def forward(self, inputs, state):X F.one_hot(inputs.T.long(), self.vocab_size)X X.to(torch.float32)Y, state self.rnn(X, state)# 全连接层首先将Y的形状改为(时间步数*批量大小,隐藏单元数)# 它的输出形状是(时间步数*批量大小,词表大小)。output self.linear(Y.reshape((-1, Y.shape[-1])))return output, statedef begin_state(self, device, batch_size1):if not isinstance(self.rnn, nn.LSTM):# nn.GRU以张量作为隐状态return torch.zeros((self.num_directions * self.rnn.num_layers, batch_size, self.num_hiddens), devicedevice)else:# nn.LSTM以元组作为隐状态return (torch.zeros((self.num_directions * self.rnn.num_layers, batch_size, self.num_hiddens), devicedevice),torch.zeros((self.num_directions * self.rnn.num_layers,batch_size, self.num_hiddens), devicedevice))2. 训练与预测
在训练模型之前基于一个具有随机权重的模型进行预测。
# 在训练模型之前基于一个具有随机权重的模型进行预测。
device d2l.try_gpu()
net RNNModel(rnn_layer, vocab_sizelen(vocab))
net net.to(device)
d2l.predict_ch8(time traveller, 10, net, vocab, device)使用之前的超参数调用train_ch8并且使用高级API训练模型
# 使用之前的超参数调用train_ch8并且使用高级API训练模型
num_epochs, lr 500, 1
d2l.train_ch8(net, train_iter, vocab, lr, num_epochs, device)
