6.4 循环神经网络的从零开始实现

在本节中，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：

  1. import time
  2. import math
  3. import numpy as np
  4. import torch
  5. from torch import nn, optim
  6. import torch.nn.functional as F
  8. import sys
  9. sys.path.append("..") 
  10. import d2lzh_pytorch as d2l
  11. device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
  13. (corpus_indices, char_to_idx, idx_to_char, vocab_size) = d2l.load_data_jay_lyrics()

6.4.1 one-hot向量

为了将词表示成向量输入到神经网络，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

6.4 循环神经网络的从零开始实现 - 图1 （即词典大小vocab_size），每个字符已经同一个从0到 6.4 循环神经网络的从零开始实现 - 图2 的连续整数值索引一一对应。如果一个字符的索引是整数 6.4 循环神经网络的从零开始实现 - 图3 , 那么我们创建一个全0的长为 6.4 循环神经网络的从零开始实现 - 图4 的向量，并将其位置为 6.4 循环神经网络的从零开始实现 - 图5 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。

pytorch没有自带one-hot函数(新版好像有了)，下面自己实现一个

  1. def one_hot(x, n_class, dtype=torch.float32): 
  2.     # X shape: (batch), output shape: (batch, n_class)
  3.     x = x.long()
  4.     res = torch.zeros(x.shape[0], n_class, dtype=dtype, device=x.device)
  5.     res.scatter_(1, x.view(-1, 1), 1)
  6.     return res
  8. x = torch.tensor([0, 2])
  9. one_hot(x, vocab_size)

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，矩阵个数等于时间步数。也就是说，时间步

6.4 循环神经网络的从零开始实现 - 图6 的输入为 6.4 循环神经网络的从零开始实现 - 图7 ，其中 6.4 循环神经网络的从零开始实现 - 图8 为批量大小， 6.4 循环神经网络的从零开始实现 - 图9 为输入个数，即one-hot向量长度（词典大小）。

  1. # 本函数已保存在d2lzh_pytorch包中方便以后使用
  2. def to_onehot(X, n_class):  
  3.     # X shape: (batch, seq_len), output: seq_len elements of (batch, n_class)
  4.     return [one_hot(X[:, i], n_class) for i in range(X.shape[1])]
  6. X = torch.arange(10).view(2, 5)
  7. inputs = to_onehot(X, vocab_size)
  8. print(len(inputs), inputs[0].shape)

输出：

  1. 5 torch.Size([2, 1027])

6.4.2 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。

  1. num_inputs, num_hiddens, num_outputs = vocab_size, 256, vocab_size
  2. print('will use', device)
  4. def get_params():
  5.     def _one(shape):
  6.         ts = torch.tensor(np.random.normal(0, 0.01, size=shape), device=device, dtype=torch.float32)
  7.         return torch.nn.Parameter(ts, requires_grad=True)
  9.     # 隐藏层参数
  10.     W_xh = _one((num_inputs, num_hiddens))
  11.     W_hh = _one((num_hiddens, num_hiddens))
  12.     b_h = torch.nn.Parameter(torch.zeros(num_hiddens, device=device, requires_grad=True))
  13.     # 输出层参数
  14.     W_hq = _one((num_hiddens, num_outputs))
  15.     b_q = torch.nn.Parameter(torch.zeros(num_outputs, device=device, requires_grad=True))
  16.     return nn.ParameterList([W_xh, W_hh, b_h, W_hq, b_q])

6.4.3 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。使用元组是为了更便于处理隐藏状态含有多个NDArray的情况。

  1. def init_rnn_state(batch_size, num_hiddens, device):
  2.     return (torch.zeros((batch_size, num_hiddens), device=device), )

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。3.8节（多层感知机）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。

  1. def rnn(inputs, state, params):
  2.     # inputs和outputs皆为num_steps个形状为(batch_size, vocab_size)的矩阵
  3.     W_xh, W_hh, b_h, W_hq, b_q = params
  4.     H, = state
  5.     outputs = []
  6.     for X in inputs:
  7.         H = torch.tanh(torch.matmul(X, W_xh) + torch.matmul(H, W_hh) + b_h)
  8.         Y = torch.matmul(H, W_hq) + b_q
  9.         outputs.append(Y)
  10.     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的形状和隐藏状态的形状。

  1. state = init_rnn_state(X.shape[0], num_hiddens, device)
  2. inputs = to_onehot(X.to(device), vocab_size)
  3. params = get_params()
  4. outputs, state_new = rnn(inputs, state, params)
  5. print(len(outputs), outputs[0].shape, state_new[0].shape)

输出：

  1. 5 torch.Size([2, 1027]) torch.Size([2, 256])

6.4.4 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。

  1. # 本函数已保存在d2lzh_pytorch包中方便以后使用
  2. def predict_rnn(prefix, num_chars, rnn, params, init_rnn_state,
  3.                 num_hiddens, vocab_size, device, idx_to_char, char_to_idx):
  4.     state = init_rnn_state(1, num_hiddens, device)
  5.     output = [char_to_idx[prefix[0]]]
  6.     for t in range(num_chars + len(prefix) - 1):
  7.         # 将上一时间步的输出作为当前时间步的输入
  8.         X = to_onehot(torch.tensor([[output[-1]]], device=device), vocab_size)
  9.         # 计算输出和更新隐藏状态
  10.         (Y, state) = rnn(X, state, params)
  11.         # 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
  12.         if t < len(prefix) - 1:
  13.             output.append(char_to_idx[prefix[t + 1]])
  14.         else:
  15.             output.append(int(Y[0].argmax(dim=1).item()))
  16.     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。

  1. predict_rnn('分开', 10, rnn, params, init_rnn_state, num_hiddens, vocab_size,
  2.             device, idx_to_char, char_to_idx)

输出：

  1. '分开西圈绪升王凝瓜必客映'

6.4.5 裁剪梯度

循环神经网络中较容易出现梯度衰减或梯度爆炸。我们会在6.6节（通过时间反向传播）中解释原因。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

6.4 循环神经网络的从零开始实现 - 图10 ，并设裁剪的阈值是 6.4 循环神经网络的从零开始实现 - 图11 。裁剪后的梯度

6.4 循环神经网络的从零开始实现 - 图12

的

6.4 循环神经网络的从零开始实现 - 图13 范数不超过 6.4 循环神经网络的从零开始实现 - 图14 。

  1. # 本函数已保存在d2lzh_pytorch包中方便以后使用
  2. def grad_clipping(params, theta, device):
  3.     norm = torch.tensor([0.0], device=device)
  4.     for param in params:
  5.         norm += (param.grad.data ** 2).sum()
  6.     norm = norm.sqrt().item()
  7.     if norm > theta:
  8.         for param in params:
  9.             param.grad.data *= (theta / norm)

6.4.6 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3.4节（softmax回归）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。

6.4.7 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：

  • 使用困惑度评价模型。
  • 在迭代模型参数前裁剪梯度。
  • 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。相关讨论可参考6.3节（语言模型数据集（周杰伦专辑歌词））。

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

  1. # 本函数已保存在d2lzh_pytorch包中方便以后使用
  2. def train_and_predict_rnn(rnn, get_params, init_rnn_state, num_hiddens,
  3.                           vocab_size, device, corpus_indices, idx_to_char,
  4.                           char_to_idx, is_random_iter, num_epochs, num_steps,
  5.                           lr, clipping_theta, batch_size, pred_period,
  6.                           pred_len, prefixes):
  7.     if is_random_iter:
  8.         data_iter_fn = d2l.data_iter_random
  9.     else:
  10.         data_iter_fn = d2l.data_iter_consecutive
  11.     params = get_params()
  12.     loss = nn.CrossEntropyLoss()
  14.     for epoch in range(num_epochs):
  15.         if not is_random_iter:  # 如使用相邻采样，在epoch开始时初始化隐藏状态
  16.             state = init_rnn_state(batch_size, num_hiddens, device)
  17.         l_sum, n, start = 0.0, 0, time.time()
  18.         data_iter = data_iter_fn(corpus_indices, batch_size, num_steps, device)
  19.         for X, Y in data_iter:
  20.             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
  21.                 state = init_rnn_state(batch_size, num_hiddens, device)
  22.             else:  
  23.             # 否则需要使用detach函数从计算图分离隐藏状态, 这是为了
  24.             # 使模型参数的梯度计算只依赖一次迭代读取的小批量序列(防止梯度计算开销太大)
  25.                 for s in state:
  26.                     s.detach_()
  28.             inputs = to_onehot(X, vocab_size)
  29.             # outputs有num_steps个形状为(batch_size, vocab_size)的矩阵
  30.             (outputs, state) = rnn(inputs, state, params)
  31.             # 拼接之后形状为(num_steps * batch_size, vocab_size)
  32.             outputs = torch.cat(outputs, dim=0)
  33.             # Y的形状是(batch_size, num_steps)，转置后再变成长度为
  34.             # batch * num_steps 的向量，这样跟输出的行一一对应
  35.             y = torch.transpose(Y, 0, 1).contiguous().view(-1)
  36.             # 使用交叉熵损失计算平均分类误差
  37.             l = loss(outputs, y.long())
  39.             # 梯度清0
  40.             if params[0].grad is not None:
  41.                 for param in params:
  42.                     param.grad.data.zero_()
  43.             l.backward()
  44.             grad_clipping(params, clipping_theta, device)  # 裁剪梯度
  45.             d2l.sgd(params, lr, 1)  # 因为误差已经取过均值，梯度不用再做平均
  46.             l_sum += l.item() * y.shape[0]
  47.             n += y.shape[0]
  49.         if (epoch + 1) % pred_period == 0:
  50.             print('epoch %d, perplexity %f, time %.2f sec' % (
  51.                 epoch + 1, math.exp(l_sum / n), time.time() - start))
  52.             for prefix in prefixes:
  53.                 print(' -', predict_rnn(prefix, pred_len, rnn, params, init_rnn_state,
  54.                     num_hiddens, vocab_size, device, idx_to_char, char_to_idx))

6.4.8 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。

  1. num_epochs, num_steps, batch_size, lr, clipping_theta = 250, 35, 32, 1e2, 1e-2
  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。

  1. train_and_predict_rnn(rnn, get_params, init_rnn_state, num_hiddens,
  2.                       vocab_size, device, corpus_indices, idx_to_char,
  3.                       char_to_idx, True, num_epochs, num_steps, lr,
  4.                       clipping_theta, batch_size, pred_period, pred_len,
  5.                       prefixes)

输出：

  1. epoch 50, perplexity 70.039647, time 0.11 sec
  2.  - 分开 我不要再想 我不能 想你的让我 我的可 你怎么 一颗四 一颗四 我不要 一颗两 一颗四 一颗四 我
  3.  - 不分开 我不要再 你你的外 在人  别你的让我 狂的可 语人两 我不要 一颗两 一颗四 一颗四 我不要 一
  4. epoch 100, perplexity 9.726828, time 0.12 sec
  5.  - 分开 一直的美栈人 一起看 我不要好生活 你知不觉 我已好好生活 我知道好生活 后知不觉 我跟了这生活 
  6.  - 不分开堡 我不要再想 我不 我不 我不要再想你 不知不觉 你已经离开我 不知不觉 我跟了好生活 我知道好生
  7. epoch 150, perplexity 2.864874, time 0.11 sec
  8.  - 分开 一只会停留 有不它元羞 这蝪什么奇怪的事都有 包括像猫的狗 印地安老斑鸠 平常话不多 除非是乌鸦抢
  9.  - 不分开扫 我不你再想 我不能再想 我不 我不 我不要再想你 不知不觉 你已经离开我 不知不觉 我跟了这节奏
  10. epoch 200, perplexity 1.597790, time 0.11 sec
  11.  - 分开 有杰伦 干 载颗拳满的让空美空主 相爱还有个人 再狠狠忘记 你爱过我的证  有晶莹的手滴 让说些人
  12.  - 不分开扫 我叫你爸 你打我妈 这样对吗干嘛这样 何必让它牵鼻子走 瞎 说底牵打我妈要 难道球耳 快使用双截
  13. epoch 250, perplexity 1.303903, time 0.12 sec
  14.  - 分开 有杰人开留 仙唱它怕羞 蜥蝪横著走 这里什么奇怪的事都有 包括像猫的狗 印地安老斑鸠 平常话不多 
  15.  - 不分开简 我不能再想 我不 我不 我不能 爱情走的太快就像龙卷风 不能承受我已无处可躲 我不要再想 我不能

接下来采用相邻采样训练模型并创作歌词。

  1. train_and_predict_rnn(rnn, get_params, init_rnn_state, num_hiddens,
  2.                       vocab_size, device, corpus_indices, idx_to_char,
  3.                       char_to_idx, False, num_epochs, num_steps, lr,
  4.                       clipping_theta, batch_size, pred_period, pred_len,
  5.                       prefixes)

输出：

  1. epoch 50, perplexity 59.514416, time 0.11 sec
  2.  - 分开 我想要这 我想了空 我想了空 我想了空 我想了空 我想了空 我想了空 我想了空 我想了空 我想了空
  3.  - 不分开 我不要这 全使了双 我想了这 我想了空 我想了空 我想了空 我想了空 我想了空 我想了空 我想了空
  4. epoch 100, perplexity 6.801417, time 0.11 sec
  5.  - 分开 我说的这样笑 想你都 不着我 我想就这样牵 你你的回不笑多难的  它在云实 有一条事 全你了空  
  6.  - 不分开觉 你已经离开我 不知不觉 我跟好这节活 我该好好生活 不知不觉 你跟了离开我 不知不觉 我跟好这节
  7. epoch 150, perplexity 2.063730, time 0.16 sec
  8.  - 分开 我有到这样牵着你的手不放开 爱可不可以简简单单没有伤  古有你烦 我有多烦恼向 你知带悄 回我的外
  9.  - 不分开觉 你已经很个我 不知不觉 我跟了这节奏 后知后觉 又过了一个秋 后哼哈兮 快使用双截棍 哼哼哈兮 
  10. epoch 200, perplexity 1.300031, time 0.11 sec
  11.  - 分开 我想要这样牵着你的手不放开 爱能不能够永远单甜没有伤害 你 靠着我的肩膀 你 在我胸口睡著 像这样
  12.  - 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
  13. epoch 250, perplexity 1.164455, time 0.11 sec
  14.  - 分开 我有一这样布 对你依依不舍 连隔壁邻居都猜到我现在的感受 河边的风 在吹着头发飘动 牵着你的手 一
  15.  - 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

  • 可以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，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。

注：除代码外本节与原书此节基本相同，原书传送门