引言

學習一段時間的tensor flow之後，想找個專案試試手，然後想起了之前在看Theano教程中的一個文字分類的例項，這個星期就用tensorflow實現了一下，感覺和之前使用的theano還是有很大的區別，有必要總結mark一下

模型說明

這個分類的模型其實也是很簡單，主要就是一個單層的LSTM模型，當然也可以實現多層的模型，多層的模型使用Tensorflow尤其簡單，下面是這個模型的圖

簡單解釋一下這個圖，每個word經過embedding之後，進入LSTM層，這裡LSTM是標準的LSTM，然後經過一個時間序列得到的t個隱藏LSTM神經單元的向量，這些向量經過mean pooling層之後，可以得到一個向量h

tensorflow實現

鄙人接觸tensor flow的時間不長，也是在慢慢摸索，但是因為有之前使用Theano的經驗，對於符號化程式設計也不算陌生，因此上手Tensorflow倒也容易。但是感覺tensorflow還是和theano有著很多不一樣的地方，這裡也會提及一下。
程式碼的模型的主要如下：

import tensorflow as tf
import numpy as np

class RNN_Model(object):



    def __init__(self,config,is_training=True):

        self.keep
 
_prob=config.keep_prob
        self.batch_size=tf.Variable(0,dtype=tf.int32,trainable=False)

        num_step=config.num_step
        self.input_data=tf.placeholder(tf.int32,[None,num_step])
        self.target = tf.placeholder(tf.int64,[None])
        self.mask_x = tf.placeholder(tf.float32,[num_step,None])

        class_num=config.class
 
_num
        hidden_neural_size=config.hidden_neural_size
        vocabulary_size=config.vocabulary_size
        embed_dim=config.embed_dim
        hidden_layer_num=config.hidden_layer_num
        self.new_batch_size = tf.placeholder(tf.int32,shape=[],name="new_batch_size")
        self._batch_size_update = tf.assign(self.batch_size,self.new_batch_size)

        #build LSTM network

        lstm_cell = tf.nn.rnn_cell.BasicLSTMCell(hidden_neural_size,forget_bias=0.0,state_is_tuple=True)
        if self.keep_prob<1:
            lstm_cell =  tf.nn.rnn_cell.DropoutWrapper(
                lstm_cell,output_keep_prob=self.keep_prob
            )

        cell = tf.nn.rnn_cell.MultiRNNCell([lstm_cell]*hidden_layer_num,state_is_tuple=True)

        self._initial_state = cell.zero_state(self.batch_size,dtype=tf.float32)

        #embedding layer
        with tf.device("/cpu:0"),tf.name_scope("embedding_layer"):
            embedding = tf.get_variable("embedding",[vocabulary_size,embed_dim],dtype=tf.float32)
            inputs=tf.nn.embedding_lookup(embedding,self.input_data)

        if self.keep_prob<1:
            inputs = tf.nn.dropout(inputs,self.keep_prob)

        out_put=[]
        state=self._initial_state
        with tf.variable_scope("LSTM_layer"):
            for time_step in range(num_step):
                if time_step>0: tf.get_variable_scope().reuse_variables()
                (cell_output,state)=cell(inputs[:,time_step,:],state)
                out_put.append(cell_output)

        out_put=out_put*self.mask_x[:,:,None]

        with tf.name_scope("mean_pooling_layer"):

            out_put=tf.reduce_sum(out_put,0)/(tf.reduce_sum(self.mask_x,0)[:,None])

        with tf.name_scope("Softmax_layer_and_output"):
            softmax_w = tf.get_variable("softmax_w",[hidden_neural_size,class_num],dtype=tf.float32)
            softmax_b = tf.get_variable("softmax_b",[class_num],dtype=tf.float32)
            self.logits = tf.matmul(out_put,softmax_w)+softmax_b

        with tf.name_scope("loss"):
            self.loss = tf.nn.sparse_softmax_cross_entropy_with_logits(self.logits+1e-10,self.target)
            self.cost = tf.reduce_mean(self.loss)

        with tf.name_scope("accuracy"):
            self.prediction = tf.argmax(self.logits,1)
            correct_prediction = tf.equal(self.prediction,self.target)
            self.correct_num=tf.reduce_sum(tf.cast(correct_prediction,tf.float32))
            self.accuracy = tf.reduce_mean(tf.cast(correct_prediction,tf.float32),name="accuracy")

        #add summary
        loss_summary = tf.scalar_summary("loss",self.cost)
        #add summary
        accuracy_summary=tf.scalar_summary("accuracy_summary",self.accuracy)

        if not is_training:
            return

        self.globle_step = tf.Variable(0,name="globle_step",trainable=False)
        self.lr = tf.Variable(0.0,trainable=False)

        tvars = tf.trainable_variables()
        grads, _ = tf.clip_by_global_norm(tf.gradients(self.cost, tvars),
                                      config.max_grad_norm)


        # Keep track of gradient values and sparsity (optional)
        grad_summaries = []
        for g, v in zip(grads, tvars):
            if g is not None:
                grad_hist_summary = tf.histogram_summary("{}/grad/hist".format(v.name), g)
                sparsity_summary = tf.scalar_summary("{}/grad/sparsity".format(v.name), tf.nn.zero_fraction(g))
                grad_summaries.append(grad_hist_summary)
                grad_summaries.append(sparsity_summary)
        self.grad_summaries_merged = tf.merge_summary(grad_summaries)

        self.summary =tf.merge_summary([loss_summary,accuracy_summary,self.grad_summaries_merged])



        optimizer = tf.train.GradientDescentOptimizer(self.lr)
        optimizer.apply_gradients(zip(grads, tvars))
        self.train_op=optimizer.apply_gradients(zip(grads, tvars))

        self.new_lr = tf.placeholder(tf.float32,shape=[],name="new_learning_rate")
        self._lr_update = tf.assign(self.lr,self.new_lr)

    def assign_new_lr(self,session,lr_value):
        session.run(self._lr_update,feed_dict={self.new_lr:lr_value})
    def assign_new_batch_size(self,session,batch_size_value):
        session.run(self._batch_size_update,feed_dict={self.new_batch_size:batch_size_value})

模型不復雜，也就不一一解釋了，在debug的時候，還是入了幾個tensorflow的坑，因此想單獨說一下這幾個坑。

坑1：tensor flow的LSTM實現
tensorflow是已經寫好了幾個LSTM的實現類，可以很方便的使用，而且也可以選擇多種型別的LSTM，包括Basic、Bi-Directional等等。
這個程式碼用的是BasicLSTM：

 #build LSTM network

        lstm_cell = tf.nn.rnn_cell.BasicLSTMCell(hidden_neural_size,forget_bias=0.0,state_is_tuple=True)
        if self.keep_prob<1:
            lstm_cell =  tf.nn.rnn_cell.DropoutWrapper(
                lstm_cell,output_keep_prob=self.keep_prob
            )
        cell = tf.nn.rnn_cell.MultiRNNCell([lstm_cell]*hidden_layer_num,state_is_tuple=True)
        self._initial_state = cell.zero_state(self.batch_size,dtype=tf.float32)
        out_put=[]
        state=self._initial_state
        with tf.variable_scope("LSTM_layer"):
            for time_step in range(num_step):
                if time_step>0: tf.get_variable_scope().reuse_variables()
                (cell_output,state)=cell(inputs[:,time_step,:],state)
                out_put.append(cell_output)

在這段程式碼裡面，tf.nn.rnn_cell.BasicLSTMCell的初始化只需要制定LSTM神經元的隱含神經元的個數即可，然後需要初始化LSTM網路的引數：self._initial_state = cell.zero_state(self.batch_size,dtype=tf.float32)，這句程式碼乍看一下很迷糊，開始並不知道是什麼意義，在實驗以及查閱原始碼之後，返現這句話返回的是兩個維度是batch_size*hidden_neural_size的零向量元組，其實就是LSTM初始化的c0、h0向量，當然這裡指的是對於單層的LSTM，對於多層的，返回的是多個元組。

坑2：這段程式碼中的zero_state和迴圈代數num_step都需要制定
這裡比較蛋疼，這就意味著tensorflow中實現變長的情況是要padding的，而且需要全部一樣的長度，但是因為資料集的原因，不可能每個batch的size都是一樣的，這裡就需要每次執行前，動態制定batch_size的大小，程式碼中體現這個的是assign_new_batch_size函式，但是對於num_step引數卻不能動態指定（可能是因為筆者沒找到，但是指定tf.Variable()方法確實不行），出於無奈只能將資料集全部padding成指定大小的size，當然既然使用了padding那就必須使用mask矩陣進行計算。

坑3：cost返回non
cost返回Non一般是因為在使用交叉熵時候，logits這一邊出現了0值，因此stack overflow上推薦的一般是：sparse_softmax_cross_entropy_with_logits(self.logits+1e-10,self.target)這樣寫法

訓練and結果

實驗背景：
tensor flow: tensor flow 0.11
platform:mac OS
資料集：subject dataset，資料集都經過了預處理，拿到的是其在詞表中的索引
得益於tensorboard各個引數訓練過程都可以視覺化，下面是實驗訓練結果：

訓練集訓練結果：

驗證集訓練結果

損失函式訓練過程

各個引數訓練結果：

最終在測試集上，準確度約為85%，還不錯。

比較tensorflow和thenao

tensor flow 和 theano 是最近比較流行的深度學習框架，兩者非常相似但是兩者又不一樣，下面就我個人體驗比較下兩者的異同。

1. 難易程度

   就使用難度而言，tensorflow的便易性要遠勝於theano，畢竟theano是一堆學者研究出來的，而tensorflow是Google研究出來的，比較面向工業化。tensor flow直接集成了學術界的很多方法，比如像RNN、LSTM等都已經被tensorflow集成了，還有比如引數更新方法如梯度下降、Adadelta等也已經被tensorflow寫好了，但是對於theano這個就得自己寫，當然難易程度不一樣了。

2. 靈活性

   就靈活性而言，theano是要勝過tensor flow的，正是因為上一點theano的門檻稍高，卻也使得theano有著更大的彈性，可以實現自己任意定義的網路結果，這裡不是說tensorflow不行，tensorflow也能寫，但是使用tensorflow久了之後，寫一些自定義的結構能力就會生疏許多，比如修改LSTM內的一些結構。而Theano則沒有這個約束。

3. 容錯性
   我個人覺得theano的容錯性是比tensor flow要高的，theano定義變數，只需要制定型別，比如imatrix、ivertor之類的而不用制定任何的維度，只要你輸入的資料和你的網路結構圖能夠對的上的話，就沒問題，而tensorflow擇需要預先指定一些引數（如上面程式碼的num_step引數），相比而言，theano的容錯能力多得多，當然這樣也有壞處，那就是可能對導致程式碼除錯起來比較費勁兒。

程式碼
本文的程式碼可以在這裡獲得，轉載請註明出處。
25/11/2016，於北京