《PyTorch深度学习实践》第十三讲RNN进阶

一、

双向���环神经网络（Bidirectional Recurrent Neural Network，BiRNN）是一种常见的循环神经网络结构。与传统的循环神经网络只考虑历史时刻的信息不同，双向循环神经网络不仅考虑历史时刻的信息，还考虑未来时刻的信息。

在双向循环神经网络中，输入序列可以被看作是由两个部分组成的：正向和反向。在正向部分中，输入数据从前往后进行处理，而在反向部分中，输入数据从后往前进行处理。这两个部分在网络中分别使用独立的循环神经网络进行计算，并将它们的输出进行拼接。这样，网络就可以获得正向和反向两个方向的信息，并且能够同时考虑整个序列的上下文信息。

双向循环神经网络的作用是在处理序列数据时，提供更全面、更准确的上下文信息，能够捕获序列中前后关系，对于很多序列处理任务（例如自然语言处理、语音识别等）的效果都有很大的提升。在本代码中，设置了 bidirectional=True，意味着使用双向 GRU，提取的特征包含了正向和反向的信息。在 GRU 层输出后，通过 torch.cat() 将正向和反向的最后一个时间步的隐含状态进行拼接，从而得到一个更全面的特征表示。

二、项目简介：根据名字中的字符来预测其是哪个国家的人

代码：

import csvimport timeimport matplotlib.pyplot as pltimport numpy as npimport mathimport gzip  # 用于读取压缩文件import torchimport torch.optim as optimfrom torch.utils.data import Dataset, DataLoaderfrom torch.nn.utils.rnn import pack_padded_sequence# 一些超参数HIDDEN_SIZE = 100BATCH_SIZE = 256  # 一次训练的样本数，为256个名字N_LAYER = 2  # RNN的层数N_EPOCHS = 100N_CHARS = 128  # ASCII码一共有128个字符USE_GPU = False # 不好意思，我没GPU！# 构造数据集class NameDataset(Dataset):    def __init__(self, is_train_set=True):        filename = '../Data/names_train.csv.gz' if is_train_set else '../Data/names_test.csv.gz'        with gzip.open(filename, 'rt') as f:  # rt表示以只读模式打开文件，并将文件内容解析为文本形式            reader = csv.reader(f)            rows = list(reader)  # rows是一个列表，每个元素是一个名字和国家名组成的列表        self.names = [row[0] for row in rows]  # 一个很长的列表，每个元素是一个名字，字符串，长度不一，需要转化为数字        self.len = len(self.names)  # 训练集：13374  测试集：6700        self.countries = [row[1] for row in rows]  # 一个很长的列表，每个元素是一个国家名，字符串，需要编码成数字        # 下面两行的作用其实就是把国家名编码成数字，因为后面要用到交叉熵损失函数        self.country_list = list(sorted(set(self.countries)))  # 列表，按字母表顺序排序，去重后有18个国家名        self.country_dict = self.getCountryDict()  # 字典，key是国家名，value是country_list的国家名对应的索引(0-17)        self.country_num = len(self.country_list)  # 18    # 根据样本的索引返回姓名和国家名对应的索引，可以理解为(特征,标签)，但这里的特征是姓名，后面还需要转化为数字，标签是国家名对应的索引    def __getitem__(self, index):        return self.names[index], self.country_dict[self.countries[index]]    # 返回样本数量    def __len__(self):        return self.len    # 返回一个key为国家名和value为索引的字典    def getCountryDict(self):        country_dict = dict()  # 空字典        for idx, country_name in enumerate(self.country_list):            country_dict[country_name] = idx        return country_dict    # 根据索引(标签值)返回对应的国家名    def idx2country(self, index):        return self.country_list[index]    # 返回国家名(标签类别)的个数，18    def getCountriesNum(self):        return self.country_num# 实例化数据集trainset = NameDataset(is_train_set=True)trainloader = DataLoader(trainset, batch_size=BATCH_SIZE, shuffle=True)testset = NameDataset(is_train_set=False)testloader = DataLoader(testset, batch_size=BATCH_SIZE, shuffle=False)N_COUNTRY = trainset.getCountriesNum()  # 18个国家名，即18个类别# 设计神经网络模型class RNNClassifier(torch.nn.Module):    def __init__(self, input_size, hidden_size, output_size, n_layers=1, bidirectional=True):        super(RNNClassifier, self).__init__()        self.hidden_size = hidden_size  # 隐含层的大小，100        self.n_layers = n_layers  # RNN的层数，2        self.n_directions = 2 if bidirectional else 1  # 是否使用双向RNN        # 词嵌入层：input_size是输入的特征数(即不同词语的个数)，即128;embedding_size是词嵌入的维度(即将词语映射到的向量的维度)，这里让它等于了隐含层的大小，即100        self.embedding = torch.nn.Embedding(input_size, hidden_size)        # GRU层：input_size是输入的特征数(这里是embedding_size,其大小等于hidden_size)，即100;hidden_size是隐含层的大小，即100;n_layers是RNN的层数，2;bidirectional是是否使用双向RNN        self.gru = torch.nn.GRU(hidden_size, hidden_size, n_layers, bidirectional=bidirectional)        # 全连接层：hidden_size是隐含层的大小，即100;output_size是输出的特征数(即不同类别的个数)，即18        self.fc = torch.nn.Linear(hidden_size * self.n_directions, output_size)    def _init_hidden(self, batch_size):        # 初始化隐含层，形状为(n_layers * num_directions, batch_size, hidden_size)        hidden = torch.zeros(self.n_layers * self.n_directions, batch_size, self.hidden_size)        return create_tensor(hidden)    def forward(self, input, seq_lengths):        # input shape:B X S -> S X B        input = input.t()  # 转置，变成(seq_len,batch_size)        batch_size = input.size(1)  # 256，一次训练的样本数，为256个名字，即batch_size        hidden = self._init_hidden(batch_size)        # 1、嵌入层处理，input:(seq_len,batch_size) -> embedding:(seq_len,batch_size,embedding_size)        embedding = self.embedding(input)        # pack them up        gru_input = pack_padded_sequence(embedding, seq_lengths)        # output:(*, hidden_size * num_directions)，*表示输入的形状(seq_len,batch_size)        # hidden:(num_layers * num_directions, batch, hidden_size)        output, hidden = self.gru(gru_input, hidden)        if self.n_directions == 2:            hidden_cat = torch.cat([hidden[-1], hidden[-2]],                                   dim=1)  # hidden[-1]的形状是(1,256,100)，hidden[-2]的形状是(1,256,100)，拼接后的形状是(1,256,200)        else:            hidden_cat = hidden[-1]  # (1,256,100)        fc_output = self.fc(hidden_cat)  # 返回的是(1,256,18)        return fc_output# 下面该函数属于数据准备阶段的延续部分，因为神经网络只能处理数字，不能处理字符串，所以还需要把姓名转换成数字def make_tensors(names, countries):    # 传入的names是一个列表，每个元素是一个姓名字符串，countries也是一个列表，每个元素是一个整数    sequences_and_lengths = [name2list(name) for name in                             names]  # 返回的是一个列表，每个元素是一个元组，元组的第一个元素是姓名字符串转换成的数字列表，第二个元素是姓名字符串的长度    name_sequences = [sl[0] for sl in sequences_and_lengths]  # 返回的是一个列表，每个元素是姓名字符串转换成的数字列表    seq_lengths = torch.LongTensor([sl[1] for sl in sequences_and_lengths])  # 返回的是一个列表，每个元素是姓名字符串的长度    countries = countries.long()  # PyTorch 中，张量的默认数据类型是浮点型 (float)，这里转换成整型，可以避免浮点数比较时的精度误差，从而提高模型的训练效果    # make tensor of name, (Batch_size,Seq_len) 实现填充0的功能    seq_tensor = torch.zeros(len(name_sequences), seq_lengths.max()).long()    for idx, (seq, seq_len) in enumerate(zip(name_sequences, seq_lengths)):        seq_tensor[idx, :seq_len] = torch.LongTensor(seq)    # sort by length to use pack_padded_sequence    # perm_idx是排序后的数据在原数据中的索引,seq_tensor是排序后的数据,seq_lengths是排序后的数据的长度,countries是排序后的国家    seq_lengths, perm_idx = seq_lengths.sort(dim=0, descending=True)    seq_tensor = seq_tensor[perm_idx]    countries = countries[perm_idx]    return create_tensor(seq_tensor), create_tensor(seq_lengths), create_tensor(countries)# 把名字转换成ASCII码，返回ASCII码值列表和名字的长度def name2list(name):    arr = [ord(c) for c in name]    return arr, len(arr)# 是否把数据放到GPU上def create_tensor(tensor):    if USE_GPU:        device = torch.device('cuda:0')        tensor = tensor.to(device)    return tensor# 训练模型def trainModel():    total_loss = 0    for i, (names, countries) in enumerate(trainloader, 1):        inputs, seq_lengths, target = make_tensors(names, countries)        output = classifier(inputs, seq_lengths)        loss = criterion(output, target)        optimizer.zero_grad()        loss.backward()        optimizer.step()        total_loss += loss.item()        if i % 10 == 0:            print(f'[{timeSince(start)}] Epoch {epoch} ', end='')  # end=''表示不换行            print(f'[{i * len(inputs)}/{len(trainset)}] ', end='')            print(f'loss={total_loss / (i * len(inputs))}')  # 打印每个样本的平均损失    return total_loss  # 返回的是所有样本的损失，我们并没有用上它# 测试模型def testModel():    correct = 0    total = len(testset)    print('evaluating trained model ...')    with torch.no_grad():        for i, (names, countries) in enumerate(testloader, 1):            inputs, seq_lengths, target = make_tensors(names, countries)            output = classifier(inputs, seq_lengths)            pred = output.max(dim=1, keepdim=True)[1]  # 返回每一行中最大值的那个元素的索引，且keepdim=True，表示保持输出的二维特性            correct += pred.eq(target.view_as(pred)).sum().item()  # 计算正确的个数        percent = '%.2f' % (100 * correct / total)        print(f'Test set: Accuracy {correct}/{total} {percent}%')    return correct / total  # 返回的是准确率，0.几几的格式，用来画图def timeSince(since):    now = time.time()    s = now - since    m = math.floor(s / 60)  # math.floor()向下取整    s -= m * 60    return '%dmin %ds' % (m, s)  # 多少分钟多少秒if __name__ == '__main__':    classifier = RNNClassifier(N_CHARS, HIDDEN_SIZE, N_COUNTRY, N_LAYER)    if USE_GPU:        device = torch.device('cuda:0')        classifier.to(device)    # 定义损失函数和优化器    criterion = torch.nn.CrossEntropyLoss()    optimizer = optim.Adam(classifier.parameters(), lr=0.001)    start = time.time()    print('Training for %d epochs...' % N_EPOCHS)    acc_list = []    # 在每个epoch中，训练完一次就测试一次    for epoch in range(1, N_EPOCHS + 1):        # Train cycle        trainModel()        acc = testModel()        acc_list.append(acc)    # 绘制在测试集上的准确率    epoch = np.arange(1, len(acc_list) + 1)    acc_list = np.array(acc_list)    plt.plot(epoch, acc_list)    plt.xlabel('Epoch')    plt.ylabel('Accuracy')    plt.grid()    plt.show()

运行结果：