04-迴圈神經網路（RNN）和LSTM
阿新 • • 發佈：2019-01-30
RNN（Recurrent NeuralNetwork）和LSTM(Long Short Term Memory)
RNN（Recurrent NeuralNetwork）
RNN：存在隨著時間的流逝，訊號會不斷的衰弱（梯度消失）
LSTM(Long Short Term Memory)：
很好的解決梯度消失
控制訊號的衰減
控制訊號輸出訊號本身值的百分之多少
只有時間1的的訊號可以被傳入
只有時間4和6的訊號可以被輸出
練習：
迴圈（遞迴）神經網路RNN程式碼
import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
mnist =input_data.read_data_sets("MNIST_data/",one_hot=True)
#輸入層
# 輸入圖片是28*28
n_inputs = 28 #輸入一行，一行有28個數據
max_time = 28 #一共28行
lstm_size = 100 #隱層單元
n_classes = 10 # 10個分類
batch_size = 50 #每批次50個樣本
n_batch =mnist.train.num_examples // batch_size #計算一共有多少個批次
#這裡的none表示第一個維度可以是任意的長度
x =tf.placeholder(tf.float32,
#正確的標籤
y =tf.placeholder(tf.float32,[None,10])
#初始化權值
weights = tf.Variable(tf.truncated_normal([lstm_size, n_classes], stddev=0.1))
#初始化偏置值
biases =tf.Variable(tf.constant(0.1, shape=[n_classes]))
#定義RNN網路
def RNN(X,weights,biases):
# inputs=[batch_size, max_time, n_inputs]
inputs = tf.reshape(X
#定義LSTM基本CELL
#lstm_cell =tf.contrib.rnn.core_rnn_cell.BasicLSTMCell(lstm_size)
lstm_cell =tf.contrib.rnn.core_rnn_cell.BasicLSTMCell(lstm_size)
# final_state[0]是cell state
# final_state[1]是hidden_state
outputs,final_state = tf.nn.dynamic_rnn(lstm_cell,inputs,dtype=tf.float32)
results =tf.nn.softmax(tf.matmul(final_state[1],weights)+ biases)
return results
#計算RNN的返回結果
prediction= RNN(x, weights, biases)
#損失函式
cross_entropy =tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(logits=prediction,labels=y))
#使用AdamOptimizer進行優化
train_step =tf.train.AdamOptimizer(1e-4).minimize(cross_entropy)
#結果存放在一個布林型列表中
correct_prediction= tf.equal(tf.argmax(y,1),tf.argmax(prediction,1))#argmax返回一維張量中最大的值所在的位置
#求準確率
accuracy =tf.reduce_mean(tf.cast(correct_prediction,tf.float32))#把correct_prediction變為float32型別
#初始化
init =tf.global_variables_initializer()
with tf.Session() as sess:
sess.run(init)
for epochin range(6):
for batchin range(n_batch):
batch_xs,batch_ys = mnist.train.next_batch(batch_size)
sess.run(train_step,feed_dict={x:batch_xs,y:batch_ys})
acc = sess.run(accuracy,feed_dict={x:mnist.test.images,y:mnist.test.labels})
print ("Iter " + str(epoch) + ", Testing Accuracy= " + str(acc))