TensorFlow - 循环神经网络

循环神经网络是一种面向深度学习的算法，它遵循顺序方法。在神经网络中，我们总是假设每个输入和输出都独立于所有其他层。这些类型的神经网络被称为循环神经网络，因为它们以顺序方式执行数学计算。

考虑以下训练循环神经网络的步骤：

步骤 1 - 从数据集中输入一个特定的示例。

步骤 2 - 网络将获取一个示例并使用随机初始化的变量进行一些计算。

步骤 3 - 然后计算预测结果。

步骤 4 - 生成的实际结果与预期值的比较将产生误差。

步骤 5 - 为了追踪误差，它会通过相同的路径传播，其中变量也会被调整。

步骤 6 - 重复步骤 1 到 5，直到我们确信声明以获取输出的变量已正确定义。

步骤 7 - 通过应用这些变量来获取新的未见输入，从而进行系统预测。

下面描述了表示循环神经网络的示意图方法：

使用 TensorFlow 实现循环神经网络

在本节中，我们将学习如何使用 TensorFlow 实现循环神经网络。

步骤 1 - TensorFlow 包含用于循环神经网络模块的特定实现的各种库。

#Import necessary modules
from __future__ import print_function

import tensorflow as tf
from tensorflow.contrib import rnn
from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets("/tmp/data/", one_hot = True)

如上所述，这些库有助于定义输入数据，这是循环神经网络实现的主要部分。

步骤 2 - 我们的主要目的是使用循环神经网络对图像进行分类，其中我们将每个图像行视为像素序列。MNIST 图像形状被专门定义为 28*28 px。现在我们将处理每个样本的 28 个 28 步序列。我们将定义输入参数以完成顺序模式。

n_input = 28 # MNIST data input with img shape 28*28
n_steps = 28
n_hidden = 128
n_classes = 10

# tf Graph input
x = tf.placeholder("float", [None, n_steps, n_input])
y = tf.placeholder("float", [None, n_classes]
weights = {
   'out': tf.Variable(tf.random_normal([n_hidden, n_classes]))
}
biases = {
   'out': tf.Variable(tf.random_normal([n_classes]))
}

步骤 3 - 使用 RNN 中定义的函数计算结果以获得最佳结果。在这里，每个数据形状都与当前输入形状进行比较，并计算结果以保持准确率。

def RNN(x, weights, biases):
   x = tf.unstack(x, n_steps, 1)

   # Define a lstm cell with tensorflow
   lstm_cell = rnn.BasicLSTMCell(n_hidden, forget_bias=1.0)

   # Get lstm cell output
   outputs, states = rnn.static_rnn(lstm_cell, x, dtype = tf.float32)

   # Linear activation, using rnn inner loop last output
   return tf.matmul(outputs[-1], weights['out']) + biases['out']

pred = RNN(x, weights, biases)

# Define loss and optimizer
cost = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(logits = pred, labels = y))
optimizer = tf.train.AdamOptimizer(learning_rate = learning_rate).minimize(cost)

# Evaluate model
correct_pred = tf.equal(tf.argmax(pred,1), tf.argmax(y,1))
accuracy = tf.reduce_mean(tf.cast(correct_pred, tf.float32))

# Initializing the variables
init = tf.global_variables_initializer()

步骤 4 - 在此步骤中，我们将启动图形以获取计算结果。这也有助于计算测试结果的准确性。

with tf.Session() as sess:
   sess.run(init)
   step = 1
   # Keep training until reach max iterations
   
   while step * batch_size < training_iters:
      batch_x, batch_y = mnist.train.next_batch(batch_size)
      batch_x = batch_x.reshape((batch_size, n_steps, n_input))
      sess.run(optimizer, feed_dict={x: batch_x, y: batch_y})
      
      if step % display_step == 0:
         # Calculate batch accuracy
         acc = sess.run(accuracy, feed_dict={x: batch_x, y: batch_y})
         
         # Calculate batch loss
         loss = sess.run(cost, feed_dict={x: batch_x, y: batch_y})
         
         print("Iter " + str(step*batch_size) + ", Minibatch Loss= " + \
            "{:.6f}".format(loss) + ", Training Accuracy= " + \
            "{:.5f}".format(acc))
      step += 1
   print("Optimization Finished!")
      test_len = 128
   test_data = mnist.test.images[:test_len].reshape((-1, n_steps, n_input))
   
   test_label = mnist.test.labels[:test_len]
   print("Testing Accuracy:", \
      sess.run(accuracy, feed_dict={x: test_data, y: test_label}))

下面的屏幕截图显示了生成的输出：