RNN lstm

news2025/8/10 7:51:47

文章目录

什么是RNN
- RNN工作原理图解
- 多种RNN形态
- RNN的公式原理
pytorch RNN 样例
RNN实践
lstm 案例
- 踩坑 module ‘torchtext.data‘ has no attribute ‘Field
- 踩坑 en_core_web_sm
- 相关教程

什么是RNN

阅读ytb视频莫烦：什么是循环神经网络 RNN (深度学习)? What is Recurrent Neural Networks (deep learning)?。

RNN工作原理图解

RNN是怎样工作的？假如在t时刻，神经网络输入x(t)，神经网络会计算状态s(t)，并输出y(t)。

到t+1时刻，输入为x(t+1)，神经网络会根据s(t)和s(t+1)来输出y(t+1)。

多种RNN形态

RNN经过适当组合，有不同的输入和输出形式，从而能解决不同领域的问题。比如输入一张图片，输出描述它的一段话。

或者输入一段中文，输出一段英文。

在这里插入图片描述

RNN的公式原理

传统RNN的实现主要是下图中的红框部分。

用公式表达如下：

其中 $o_t$ 并不是最重要的部分，而输出 $s_1, s_2, ..., s_t$ 是关键。

pytorch RNN 样例

根据pytorch官方文档，torch.nn.RNN.html可知，RNN计算隐藏层的方式如下，相当于分别对上个隐藏层输出 $h_{t-1}$ 与 $x_t$ 作线性转换，相加后经过激活层tanh或relu。

我们结合代码案例，对这个API做简化版的解释

import torch
from torch import nn

rnn = nn.RNN(10, 20)
input = torch.randn(5, 3, 10)
h0 = torch.randn(1, 3, 20)
output, hn = rnn(input, h0)

# torch.Size([5, 3, 20])
# torch.Size([1, 3, 20])
# tensor(True)
print(output.shape)
print(hn.shape)
print(torch.all(output[-1] == hn))

构造函数的参数简化版解释如下：

input_size – The number of expected features in the input x
hidden_size – The number of features in the hidden state h

所以 nn.RNN(10, 20):的意思是，输入的每个单词长度为10，输出的每个向量长度为20。另外，batch_first 参数默认为False，它会影响输入的维度顺序，当为False时，输入维度是(seq, batch, feature)，为True时是(batch, seq, feature)。

输入的参数简化版解释如下：

输入: input, h_0

input: batch_first 默认为False时，维度为(seq, batch, feature)
h_0: 在本例默认其它参数情况下，维度为(1, batch, feature)

所以，代码块中的input和h0变量分别代表各个时刻t的输入，以及初始的隐藏层状态。

输出的参数简化版解释如下：

输出: output, h_n

output: 在其它参数默认时，维度为(sequence, batch, $H_{out}$ )。它代表每个时刻t的隐藏层输出 $h_1, h_2, ..., h_T$ 。
h_n: 在其它参数默认时，维度为(1, batch, $H_{out}$ )，它代表最后时刻T的隐藏层输出 $h_t$ 。

所以，代码块中output的维度是[5,3,20]，其中batch是3，序列长度为5（有5个单词）。而hn的维度是[1,3,20]，每个batch都取了 $h_T$ 。同时，print(torch.all(output[-1] == hn))输出为True说明hn就是output[-1]，hn是最后时刻T的隐藏层输出。

总结而言，我们将一个batch为3，每句话有5个单词，每个单词向量长度为10的tensor输入到rnn。它将输出batch为3，每句话有5个单词，每个单词向量长度为20的变量output，其中hn是和output[-1]等价。在下图中标注了每个变量对应图中的部分。

RNN实践

pytorch教程SEQUENCE MODELS AND LONG SHORT-TERM MEMORY NETWORKS 的模型代码很清晰，架构完整，但是缺乏训练数据集，training_data变量的数据很匮乏。

https://towardsdatascience.com/lstm-text-classification-using-pytorch-2c6c657f8fc0
训练集在 https://www.kaggle.com/datasets/nopdev/real-and-fake-news-dataset

自定义Dataset的用法，可学习知识点pytorch dataset

lstm 案例

参考swarnabha/pytorch-text-classification-torchtext-lstm，讲了一个用LSTM训练kaggle数据集的案例。

第一步，使用scikit-learn的工具方法切分pandas dataframe形式的数据集

# split data into train and validation
train_df, valid_df = train_test_split(train)
print(train_df.head())
print(valid_df.head())

第二步，设置tokenize策略

TEXT = data.Field(tokenize = 'spacy', include_lengths = True)
LABEL = data.LabelField(dtype = torch.float)

利用Field，将Pandas dataframe包装成torchtext dataset

fields = [('text',TEXT), ('label',LABEL)]
train_ds, val_ds = DataFrameDataset.splits(fields, train_df=train_df, val_df=valid_df)

第三步，构建词库，对单词作one-hot编码。

TEXT.build_vocab(train_ds,
                 max_size = MAX_VOCAB_SIZE,
                 vectors = 'glove.6B.200d',
                 unk_init = torch.Tensor.zero_)

LABEL.build_vocab(train_ds)

第四步，切分数据集

train_iterator, valid_iterator = data.BucketIterator.splits(
    (train_ds, val_ds),
    batch_size = BATCH_SIZE,
    sort_within_batch = True,
    device = device)

最后，循环读取批次，将embedding送入lstm网络。

for epoch in range(num_epochs):
    train_loss, train_acc = train(model, train_iterator)

踩坑 module ‘torchtext.data‘ has no attribute ‘Field

由于版本兼容性问题，运行代码可能遇到错误AttributeError: module ‘torchtext.data‘ has no attribute ‘Field‘，也可以参考attributeerror-module-torchtext-data-has-no-attribute-field。使用torchtext 0.10（可能会安装旧版的pytorch，所以用conda开个新环境，凑合着用吧），然后from torchtext import data改成from torchtext.legacy import data。

阅读torchtext的版本更新与api变迁可以得知APi变迁。