初学tensorflow-RNN

使用RNN对MNIST数据集分类

1、 功能包导入

import tensorflow.compat.v1 as tf
tf.disable_eager_execution()
from tensorflow.examples.tutorials.mnist import input_data

2、数据集下载

mnist = input_data.read_data_sets('MNIST_data', one_hot=True)

3、参数配置

lr = 0.001#学习率
training_iters = 100#训练轮数
batch_size = 128
n_inputs = 28
n_steps = 28
n_hidden_units = 128
n_classes = 10

• lr为网络学习率，training_iters为训练轮数，batch_size为每次丢入网络的simple，n_inputs是输入层的结点个数（MNIST每张图片是28*28，每行28个像素点作为网络的输入，28步后可以将整张图片全部输入），n_steps是步数（28步之后可以将整张图片输入）。n_hidden_units为隐层个数，即ceil中的结点个数.n_classes是10个类别。

4、权重、偏置初始化

weights = {
'in': tf.Variable(tf.random_normal([n_inputs, n_hidden_units])),
'out': tf.Variable(tf.random_normal([n_hidden_units, n_classes]))
}# (28, 128)、# (128, 10)
biases = {
'in': tf.Variable(tf.constant(0.1, shape=[n_hidden_units, ])),
'out': tf.Variable(tf.constant(0.1, shape=[n_classes, ]))
}# (128, )、# (10, )

• 输入数据，经过权重与偏置计算到达ceil，在ceil处理之后通过权重与偏置计算输出。
• 以上为输入与输出的权重、偏置。

5、网络输入

#input
xs = tf.placeholder(tf.float32, [None, n_steps, n_inputs])
ys = tf.placeholder(tf.float32, [None, n_classes])

• MNIST数据为simple784，需要将其还原为2828结构。
• 10分类，采用one_hot编码，同样需要将label重塑为[simple.10]结构。

6、RNN隐层

def RNN(X, weights, biases):#输入，权重，偏置
    X = tf.reshape(X, [-1, 28])#(128 * 28, 28 )
    X_in = tf.matmul(X, weights['in']) + biases['in']#(128 * 28, 128 )
    X_in = tf.reshape(X_in, [-1, n_steps, n_hidden_units])#(128 ，28, 128 )#时间序列
    cell = tf.nn.rnn_cell.BasicLSTMCell(n_hidden_units, forget_bias=1.0, state_is_tuple=True)
    init_state = cell.zero_state(batch_size=batch_size, dtype=tf.float32)
    outputs, final_state = tf.nn.dynamic_rnn(cell, X_in, initial_state=init_state, time_major=False)#time_major代表时间序列
    outputs = tf.unstack(tf.transpose(outputs, [1, 0, 2]))
    results = tf.matmul(outputs[-1], weights['out']) + biases['out']#(另外一种定义方法，不理解)results = tf.matmul(final_state[1], weights['out']) + biases['out']#应该是仅仅考虑了短期记忆
    return results
pred = RNN(xs, weights, biases)

• 形参（输入数据、权重、偏置）
• 将数据重塑为[simple*28,28]结构，使数据能够根据权重进行计算，计算完成后需要继续重塑，目的是能够以时间序列输入至ceil中，重塑后的结构为[simple.28.128]，(其中simple是进入的数据个数，28是时间序列，128是数据根据权重计算出来的新维度)。
• init_state中，需要对batch_size进行初始化，目的是为每张图片增添一个可传递的记忆状态。（每张图片分28步进行，RNN根据之前的记忆与当前的输入进行分类或回归）
• tf.nn.dynamic_rnn暂时理解为融合当前数据与记忆得出的结果。
  

7、网络编译

cost = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(logits=pred, labels=ys))
train_op = tf.train.AdamOptimizer(lr).minimize(cost)

• 采用交叉熵损失计算方法与Adam优化器

8、参数初始化与网络训练

with tf.Session() as sess:
    init = tf.global_variables_initializer()
    sess.run(init)
    for i in range(training_iters):
        batch_xs, batch_ys = mnist.train.next_batch(128)
        batch_xs = batch_xs.reshape([batch_size, n_steps, n_inputs])
        sess.run(train_op, feed_dict={xs: batch_xs, ys: batch_ys})

9、代码已上传本人github,其主要根据莫烦代码修改而成。

参考文献：

1、RNN输入输出详解
2、莫烦tensorflow教程