《动手学深度学习》
Table Of Contents
《动手学深度学习》
Table Of Contents

循环神经网络的从零开始实现

在本节,我们将从零开始实现一个基于字符级循环神经网络的语言模型,并在周杰伦专辑歌词数据集上训练一个模型来进行歌词创作。首先,我们读取周杰伦专辑歌词数据集。

In [1]:
import gluonbook as gb
import math
from mxnet import autograd, nd
from mxnet.gluon import loss as gloss
import time

(corpus_indices, char_to_idx, idx_to_char,
 vocab_size) = gb.load_data_jay_lyrics()

One-hot 向量

为了将词表示成向量来输入进神经网络,一个简单的办法是使用 one-hot 向量。假设词典中不同字符的数量为 \(N\)(即vocab_size),每个字符已经同一个从 0 到 \(N-1\) 的连续整数值索引一一对应。如果一个字符的索引是整数 \(i\), 那么我们创建一个全 0 的长为 \(N\) 的向量,并将其位置为 \(i\) 的元素设成 1。该向量就是对原字符的 one-hot 向量。下面分别展示了索引为 0 和 2 的 one-hot 向量,向量长度等于词典大小。

In [2]:
nd.one_hot(nd.array([0, 2]), vocab_size)
Out[2]:

[[1. 0. 0. ... 0. 0. 0.]
 [0. 0. 1. ... 0. 0. 0.]]
<NDArray 2x1027 @cpu(0)>

我们每次采样的小批量的形状是(批量大小,时间步数)。下面的函数将这样的小批量变换成数个可以输入进网络的形状为(批量大小,词典大小)的矩阵,总数与时间步数相等。也就是说,时间步 \(t\) 的输入 \(\boldsymbol{X}_t \in \mathbb{R}^{n \times d}\),其中 \(n\) 为批量大小,\(d\) 为输入个数,即 one-hot 向量长度(词典大小)。

In [3]:
def to_onehot(X, size):  # 本函数已保存在 gluonbook 包中方便以后使用。
    return [nd.one_hot(x, size) for x in X.T]

X = nd.arange(10).reshape((2, 5))
inputs = to_onehot(X, vocab_size)
len(inputs), inputs[0].shape
Out[3]:
(5, (2, 1027))

初始化模型参数

接下来,我们初始化模型参数。隐藏单元个数 num_hiddens是一个超参数。

In [4]:
num_inputs, num_hiddens, num_outputs = vocab_size, 256, vocab_size
ctx = gb.try_gpu()
print('will use', ctx)

def get_params():
    def _one(shape):
        return nd.random.normal(scale=0.01, shape=shape, ctx=ctx)

    # 隐藏层参数。
    W_xh = _one((num_inputs, num_hiddens))
    W_hh = _one((num_hiddens, num_hiddens))
    b_h = nd.zeros(num_hiddens, ctx=ctx)
    # 输出层参数。
    W_hq = _one((num_hiddens, num_outputs))
    b_q = nd.zeros(num_outputs, ctx=ctx)
    # 附上梯度。
    params = [W_xh, W_hh, b_h, W_hq, b_q]
    for param in params:
        param.attach_grad()
    return params
will use gpu(0)

定义模型

我们根据循环神经网络的计算表达式实现该模型。首先定义init_rnn_state函数来返回初始化的隐藏状态。它返回由一个形状为(批量大小,隐藏单元个数)的值为 0 的 NDArray 组成的元组。使用元组是为了更方便处理隐藏状态含有多个 NDArray 的情况。

In [5]:
def init_rnn_state(batch_size, num_hiddens, ctx):
    return (nd.zeros(shape=(batch_size, num_hiddens), ctx=ctx), )

下面的rnn函数定义了在一个时间步里如何计算隐藏状态和输出。这里的激活函数使用了 tanh 函数。“多层感知机”一节中介绍过,当元素在实数域上均匀分布时,tanh 函数值的均值为 0。

In [6]:
def rnn(inputs, state, params):
    # inputs 和 outputs 皆为 num_steps 个形状为(batch_size,vocab_size)的矩阵。
    W_xh, W_hh, b_h, W_hq, b_q = params
    H, = state
    outputs = []
    for X in inputs:
        H = nd.tanh(nd.dot(X, W_xh) + nd.dot(H, W_hh) + b_h)
        Y = nd.dot(H, W_hq) + b_q
        outputs.append(Y)
    return outputs, (H,)

做个简单的测试来观察输出结果的个数(时间步数),以及第一个时间步的输出层输出形状和隐藏状态形状。

In [7]:
state = init_rnn_state(X.shape[0], num_hiddens, ctx)
inputs = to_onehot(X.as_in_context(ctx), vocab_size)
params = get_params()
outputs, state_new = rnn(inputs, state, params)
len(outputs), outputs[0].shape, state_new[0].shape
Out[7]:
(5, (2, 1027), (2, 256))

定义预测函数

以下函数基于前缀prefix(含有数个字符的字符串)来预测接下来的num_chars个字符。这个函数稍显复杂,其中我们将循环神经单元rnn设置成了函数参数,这样在后面小节介绍其他循环神经网络时能重复使用这个函数。

In [8]:
# 本函数已保存在 gluonbook 包中方便以后使用。
def predict_rnn(prefix, num_chars, rnn, params, init_rnn_state,
                num_hiddens, vocab_size, ctx, idx_to_char, char_to_idx):
    state = init_rnn_state(1, num_hiddens, ctx)
    output = [char_to_idx[prefix[0]]]
    for t in range(num_chars + len(prefix) - 1):
        # 将上一时间步的输出作为当前时间步的输入。
        X = to_onehot(nd.array([output[-1]], ctx=ctx), vocab_size)
        # 计算输出和更新隐藏状态。
        (Y, state) = rnn(X, state, params)
        # 下一个时间步的输入是 prefix 里的字符或者当前的最佳预测字符。
        if t < len(prefix) - 1:
            output.append(char_to_idx[prefix[t + 1]])
        else:
            output.append(int(Y[0].argmax(axis=1).asscalar()))
    return ''.join([idx_to_char[i] for i in output])

我们先测试一下predict_rnn函数。我们将根据前缀“分开”创作长度为 10 个字符(不考虑前缀长度)的一段歌词。因为模型参数为随机值,所以预测结果也是随机的。

In [9]:
predict_rnn('分开', 10, rnn, params, init_rnn_state, num_hiddens, vocab_size,
            ctx, idx_to_char, char_to_idx)
Out[9]:
'分开据清泪四巫灰狠事童烦'

裁剪梯度

循环神经网络中较容易出现梯度衰减或爆炸。我们会在本章后面的小节中解释这个原因。为了应对梯度爆炸,我们可以裁剪梯度(clip gradient)。假设我们把所有模型参数梯度的元素拼接成一个向量 \(\boldsymbol{g}\),并设裁剪的阈值是 \(\theta\)。裁剪后的梯度

\[\min\left(\frac{\theta}{\|\boldsymbol{g}\|}, 1\right)\boldsymbol{g}\]

\(L_2\) 范数不超过 \(\theta\)

In [10]:
# 本函数已保存在 gluonbook 包中方便以后使用。
def grad_clipping(params, theta, ctx):
    norm = nd.array([0.0], ctx)
    for param in params:
        norm += (param.grad ** 2).sum()
    norm = norm.sqrt().asscalar()
    if norm > theta:
        for param in params:
            param.grad[:] *= theta / norm

困惑度

我们通常使用困惑度(perplexity)来评价语言模型的好坏。回忆一下“Softmax 回归”一节中交叉熵损失函数的定义。困惑度是对交叉熵损失函数做指数运算后得到的值。特别地,

  • 最佳情况下,模型总是把标签类别的概率预测为 1。此时困惑度为 1。
  • 最坏情况下,模型总是把标签类别的概率预测为 0。此时困惑度为正无穷。
  • 基线情况下,模型总是预测所有类别的概率都相同。此时困惑度为类别个数。

显然,任何一个有效模型的困惑度必须小于类别个数。在本例中,困惑度必须小于词典大小vocab_size

定义模型训练函数

跟之前章节的模型训练函数相比,这里的模型训练函数有以下几点不同:

  1. 使用困惑度(perplexity)评价模型。
  2. 在迭代模型参数前裁剪梯度。
  3. 对时序数据采用不同采样方法将导致隐藏状态初始化的不同。相关的讨论可参考“语言模型数据集(周杰伦专辑歌词)”一节。

另外,考虑到后面将介绍的其它循环神经网络,为了更通用,这里的函数实现更长一些。

In [11]:
# 本函数已保存在 gluonbook 包中方便以后使用。
def train_and_predict_rnn(rnn, get_params, init_rnn_state, num_hiddens,
                          vocab_size, ctx, corpus_indices, idx_to_char,
                          char_to_idx, is_random_iter, num_epochs, num_steps,
                          lr, clipping_theta, batch_size, pred_period,
                          pred_len, prefixes):
    if is_random_iter:
        data_iter_fn = gb.data_iter_random
    else:
        data_iter_fn = gb.data_iter_consecutive
    params = get_params()
    loss = gloss.SoftmaxCrossEntropyLoss()

    for epoch in range(num_epochs):
        if not is_random_iter:  # 如使用相邻采样,在 epoch 开始时初始化隐藏状态。
            state = init_rnn_state(batch_size, num_hiddens, ctx)
        loss_sum, start = 0.0, time.time()
        data_iter = data_iter_fn(corpus_indices, batch_size, num_steps, ctx)
        for t, (X, Y) in enumerate(data_iter):
            if is_random_iter:  # 如使用随机采样,在每个小批量更新前初始化隐藏状态。
                state = init_rnn_state(batch_size, num_hiddens, ctx)
            else:  # 否则需要使用 detach 函数从计算图分离隐藏状态。
                for s in state:
                    s.detach()
            with autograd.record():
                inputs = to_onehot(X, vocab_size)
                # outputs 有 num_steps 个形状为(batch_size,vocab_size)的矩阵。
                (outputs, state) = rnn(inputs, state, params)
                # 拼接之后形状为(num_steps * batch_size,vocab_size)。
                outputs = nd.concat(*outputs, dim=0)
                # Y 的形状是(batch_size,num_steps),转置后再变成长度为
                # batch * num_steps 的向量,这样跟输出的行一一对应。
                y = Y.T.reshape((-1,))
                # 使用交叉熵损失计算平均分类误差。
                l = loss(outputs, y).mean()
            l.backward()
            grad_clipping(params, clipping_theta, ctx)  # 裁剪梯度。
            gb.sgd(params, lr, 1)  # 因为误差已经取过均值,梯度不用再做平均。
            loss_sum += l.asscalar()

        if (epoch + 1) % pred_period == 0:
            print('epoch %d, perplexity %f, time %.2f sec' % (
                epoch + 1, math.exp(loss_sum / (t + 1)), time.time() - start))
            for prefix in prefixes:
                print(' -', predict_rnn(
                    prefix, pred_len, rnn, params, init_rnn_state,
                    num_hiddens, vocab_size, ctx, idx_to_char, char_to_idx))

训练模型并创作歌词

现在我们可以训练模型了。首先,设置模型超参数。我们将根据前缀“分开”和“不分开”分别创作长度为 50 个字符(不考虑前缀长度)的一段歌词。我们每过 50 个迭代周期便根据当前训练的模型创作一段歌词。

In [12]:
num_epochs, num_steps, batch_size, lr, clipping_theta = 200, 35, 32, 1e2, 1e-2
pred_period, pred_len, prefixes = 50, 50, ['分开', '不分开']

下面采用随机采样训练模型并创作歌词。

In [13]:
train_and_predict_rnn(rnn, get_params, init_rnn_state, num_hiddens,
                      vocab_size, ctx, corpus_indices, idx_to_char,
                      char_to_idx, True, num_epochs, num_steps, lr,
                      clipping_theta, batch_size, pred_period, pred_len,
                      prefixes)
epoch 50, perplexity 67.696894, time 0.26 sec
 - 分开 我不要这想你 你知 这你你的你我 你的你 女人我 别你我 我不你 我爱我不多你 你知我 别你我妈
 - 不分开 你不了 想你我 我不要你 你我想能 你有我有 你是我有想你 你知 这你你的你我 你的你爱女人 我有
epoch 100, perplexity 10.169569, time 0.26 sec
 - 分开 我不想 你爱我 我想就这样牵 不知不觉 你已经这样我 不知不觉 我跟了这节活 我知道 我给我 说你
 - 不分开  不多 娘给我 不要球 快不伦 娘说我抬不汉  你的回头 我想要你 你我的外不要 一起看着 快使用
epoch 150, perplexity 3.050238, time 0.26 sec
 - 分开 一只安停 心谁完空 在一场梦 不敢不同 你是没有 在一定空 盲有不同 你都没 穿一句珍重 语有苦衷
 - 不分开吗 我后你爸 你的我空 你想的让我疯红的可爱女人 温柔的让我疯狂的可爱女人 温坏的让我疯狂的可爱女人
epoch 200, perplexity 1.601716, time 0.26 sec
 - 分开不  爱上 失你我 快想这是我打我听可 难成你的 快人已风 你底没空 你我不懂 说一场用  说它将不
 - 不分开简 我叫你爸 你打我妈 这样对吗 不有梦纵 你一定梦 不敢去同 你一定空 不有去碰 你一定空 不有去

接下来采用相邻采样训练模型并创作歌词。

In [14]:
train_and_predict_rnn(rnn, get_params, init_rnn_state, num_hiddens,
                      vocab_size, ctx, corpus_indices, idx_to_char,
                      char_to_idx, False, num_epochs, num_steps, lr,
                      clipping_theta, batch_size, pred_period, pred_len,
                      prefixes)
epoch 50, perplexity 62.126074, time 0.26 sec
 - 分开 我想要这 你我不么 我想一直 你谁我有 你谁我有 你谁我有 你谁我有 你谁我有 你谁我有 你谁我有
 - 不分开 别不我有 你是我有 你谁我有 你谁我有 你谁我有 你谁我有 你谁我有 你谁我有 你谁我有 你谁我有
epoch 100, perplexity 7.117280, time 0.26 sec
 - 分开 一子我 印地了的手膀 还真在对医不箱 从少在人了路刚 让说去有 一实我 别我的经看语 一起了我 全
 - 不分开柳 就天我不了你我妈妈 难道你在不会痛吗 不要我 别怪我 说你怎么 对我心碗热粥 一上几兮 快使用双
epoch 150, perplexity 2.087492, time 0.26 sec
 - 分开 说弄我 谁跟了的手味就像 太真我对见我想要 想以 不殿很久后的?老鼠 恍恍惚惚 你有已在别人怀抱
 - 不分开觉 你已经不开我 不知不觉 我跟了这节奏 后知后觉 又过了一个秋 后知后觉 我该好好生活 我该好好生
epoch 200, perplexity 1.310879, time 0.26 sec
 - 分开 问候我 不怪我的手味就像 太风面国术 我以直的些瘦 没有你的爸 连天都实现喝离也 不是让 说你眼睛
 - 不分开觉 你已经离开我 不知不觉 我跟了这节奏 后知后觉 又过了一个秋 后知后觉 我该好好生活 我该好好生

小结

  • 我们可以应用基于字符级循环神经网络的语言模型来生成文本序列,例如创作歌词。
  • 当训练循环神经网络时,为了应对梯度爆炸,我们可以裁剪梯度。
  • 困惑度是对交叉熵损失函数做指数运算后得到的值。

练习

  • 调调超参数,观察并分析对运行时间、困惑度以及创作歌词的结果造成的影响。
  • 不裁剪梯度,运行本节代码。结果会怎样?
  • pred_period变量设为 1,观察未充分训练的模型(困惑度高)是如何创作歌词的。你获得了什么启发?
  • 将相邻采样改为不从计算图分离隐藏状态,运行时间有没有变化?
  • 将本节中使用的激活函数替换成 ReLU,重复本节的实验。

扫码直达讨论区

image0