BRNN双向循环神经网络简介（PyTorch实现）

RNN 和 LSTM 都只能依据之前时刻的时序信息来预测下一时刻的输出，但有些问题中当前时刻的输出不仅可能和之前的状态有关，还可能和未来的状态有关系。

例如，预测一句话中缺失的单词不仅需要根据前文来判断，还需要考虑它后面的内容，真正做到基于上下文判断。

双向循环神经网络（BRNN）由两个 RNN 上下叠加在一起组成，输出由这两个 RNN 的状态共同决定。下图为一个含单隐藏层的 BRNN 的架构。

图 1 BRNN 架构

下面介绍 BRNN 的具体定义。给定时间步 t 的小批量输入 X_t∈R^n×d（样本数为 n，输入个数为 d）和隐藏层激活函数 ϕ，在双向循环神经网络的架构中，设该时间步正向隐藏状态为：

正向隐藏单元个数为 h），反向隐藏状态为：

（反向隐藏单元个数为h）。可以分别计算正向隐藏状态和反向隐藏状态：

其中，权重：

和偏差：

均为模型参数。

使用连续两个方向的隐藏状态和得到隐藏状态 H_t∈R^n×2h，并将其输入到输出层。输出层计算输出 Ot∈R^n×q（输出个数为 q）：

Ot=H_tW_hq+b_q

【实例】BRNN 的 PyTorch 实现。

import torch
import torch.nn as nn
import torchvision
import torchvision.transforms as transforms

# 设备配置
device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')

# 超参数
sequence_length = 28
input_size = 28
hidden_size = 128
num_layers = 2
num_classes = 10
batch_size = 100
num_epochs = 2
learning_rate = 0.003

# MNIST 数据集
train_dataset = torchvision.datasets.MNIST(
    root='../../data/',
    train=True,
    transform=transforms.ToTensor(),
    download=True
)

test_dataset = torchvision.datasets.MNIST(
    root='../../data/',
    train=False,
    transform=transforms.ToTensor()
)

# 数据加载器
train_loader = torch.utils.data.DataLoader(
    dataset=train_dataset,
    batch_size=batch_size,
    shuffle=True
)

test_loader = torch.utils.data.DataLoader(
    dataset=test_dataset,
    batch_size=batch_size,
    shuffle=False
)

# 双向循环神经网络（多对一）
class BiRNN(nn.Module):
    def __init__(self, input_size, hidden_size, num_layers, num_classes):
        super(BiRNN, self).__init__()
        self.hidden_size = hidden_size
        self.num_layers = num_layers
        self.lstm = nn.LSTM(
            input_size,
            hidden_size,
            num_layers,
            batch_first=True,
            bidirectional=True
        )
        self.fc = nn.Linear(hidden_size * 2, num_classes)  # 双向拼接

    def forward(self, x):
        # 设置初始状态
        h0 = torch.zeros(self.num_layers * 2, x.size(0), self.hidden_size).to(device)
        c0 = torch.zeros(self.num_layers * 2, x.size(0), self.hidden_size).to(device)
        # 前向传播 LSTM
        out, _ = self.lstm(x, (h0, c0))
        # 解码最后一个时间步的隐藏状态
        out = self.fc(out[:, -1, :])
        return out

model = BiRNN(input_size, hidden_size, num_layers, num_classes).to(device)

# 损失和优化器
criterion = nn.CrossEntropyLoss()
optimizer = torch.optim.Adam(model.parameters(), lr=learning_rate)

# 训练模型
total_step = len(train_loader)
for epoch in range(num_epochs):
    for i, (images, labels) in enumerate(train_loader):
        images = images.reshape(-1, sequence_length, input_size).to(device)
        labels = labels.to(device)

        # 前向传播
        outputs = model(images)
        loss = criterion(outputs, labels)

        # 反向优化
        optimizer.zero_grad()
        loss.backward()
        optimizer.step()

        if (i + 1) % 100 == 0:
            print(
                'Epoch [{}/{}], Step [{}/{}], Loss: {:.4f}'.format(
                    epoch + 1, num_epochs, i + 1, total_step, loss.item()
                )
            )

# 测试模型
with torch.no_grad():
    correct = 0
    total = 0
    for images, labels in test_loader:
        images = images.reshape(-1, sequence_length, input_size).to(device)
        labels = labels.to(device)
        outputs = model(images)
        _, predicted = torch.max(outputs.data, 1)
        total += labels.size(0)
        correct += (predicted == labels).sum().item()

    print(
        'Test Accuracy of the model on the 10000 test images: {}%'.format(
            100 * correct / total
        )
    )

# 模型保存
torch.save(model.state_dict(), 'model.ckpt')

运行程序，输出如下：

Epoch[1/2]，Step[100/600]，Loss:0.6954
Epoch[1/2]，Step[200/600]，Loss:0.3623
Epoch[1/2]，Step[300/600]，Loss:0.1572
Epoch[1/2]，Step[400/600]，Loss:0.1423
Epoch[1/2]，Step[500/600]，Loss:0.1048
Epoch[1/2]，Step[600/600]，Loss:0.0815
Epoch[2/2]，Step[100/600]，Loss:0.1204
Epoch[2/2]，Step[200/600]，Loss:0.1067
Epoch[2/2]，Step[300/600]，Loss:0.1271
Epoch[2/2]，Step[400/600]，Loss:0.0144
Epoch[2/2]，Step[500/600]，Loss:0.0324
Epoch[2/2]，Step[600/600]，Loss:0.0608
Test Accuracy of the model on the 10000 test images:97.38%

BRNN双向循环神经网络简介（PyTorch实现）

相关文章