PyTorch-リカレントニューラルネットワーク
リカレントニューラルネットワークは、シーケンシャルアプローチに従うディープラーニング指向のアルゴリズムの一種です。ニューラルネットワークでは、各入力と出力が他のすべての層から独立していると常に想定しています。これらのタイプのニューラルネットワークは、数学的な計算を順番に実行してタスクを次々に完了するため、リカレントと呼ばれます。
次の図は、リカレントニューラルネットワークの完全なアプローチと動作を示しています-
上の図では、c1、c2、c3、およびx1は、o1のそれぞれの出力を提供するいくつかの非表示の入力値(h1、h2、およびh3)を含む入力と見なされます。ここでは、リカレントニューラルネットワークの助けを借りて正弦波を作成するためのPyTorchの実装に焦点を当てます。
トレーニング中は、一度に1つのデータポイントを使用して、モデルへのトレーニングアプローチに従います。入力シーケンスxは20個のデータポイントで構成され、ターゲットシーケンスは入力シーケンスと同じであると見なされます。
ステップ1
以下のコードを使用して、リカレントニューラルネットワークを実装するために必要なパッケージをインポートします-
import torch
from torch.autograd import Variable
import numpy as np
import pylab as pl
import torch.nn.init as init
ステップ2
入力層のサイズを7に設定して、モデルのハイパーパラメーターを設定します。ターゲットシーケンスを作成するために、6つのコンテキストニューロンと1つの入力ニューロンがあります。
dtype = torch.FloatTensor
input_size, hidden_size, output_size = 7, 6, 1
epochs = 300
seq_length = 20
lr = 0.1
data_time_steps = np.linspace(2, 10, seq_length + 1)
data = np.sin(data_time_steps)
data.resize((seq_length + 1, 1))
x = Variable(torch.Tensor(data[:-1]).type(dtype), requires_grad=False)
y = Variable(torch.Tensor(data[1:]).type(dtype), requires_grad=False)
トレーニングデータを生成します。ここで、xは入力データシーケンス、yは必須のターゲットシーケンスです。
ステップ3
重みは、平均がゼロの正規分布を使用してリカレントニューラルネットワークで初期化されます。W1は入力変数の受け入れを表し、w2は以下に示すように生成される出力を表します-
w1 = torch.FloatTensor(input_size,
hidden_size).type(dtype)
init.normal(w1, 0.0, 0.4)
w1 = Variable(w1, requires_grad = True)
w2 = torch.FloatTensor(hidden_size, output_size).type(dtype)
init.normal(w2, 0.0, 0.3)
w2 = Variable(w2, requires_grad = True)
ステップ4
ここで、ニューラルネットワークを一意に定義するフィードフォワードの関数を作成することが重要です。
def forward(input, context_state, w1, w2):
xh = torch.cat((input, context_state), 1)
context_state = torch.tanh(xh.mm(w1))
out = context_state.mm(w2)
return (out, context_state)
ステップ5
次のステップは、リカレントニューラルネットワークの正弦波実装のトレーニング手順を開始することです。外側のループは各ループを反復処理し、内側のループはシーケンスの要素を反復処理します。ここでは、連続変数の予測に役立つ平均二乗誤差(MSE)も計算します。
for i in range(epochs):
total_loss = 0
context_state = Variable(torch.zeros((1, hidden_size)).type(dtype), requires_grad = True)
for j in range(x.size(0)):
input = x[j:(j+1)]
target = y[j:(j+1)]
(pred, context_state) = forward(input, context_state, w1, w2)
loss = (pred - target).pow(2).sum()/2
total_loss += loss
loss.backward()
w1.data -= lr * w1.grad.data
w2.data -= lr * w2.grad.data
w1.grad.data.zero_()
w2.grad.data.zero_()
context_state = Variable(context_state.data)
if i % 10 == 0:
print("Epoch: {} loss {}".format(i, total_loss.data[0]))
context_state = Variable(torch.zeros((1, hidden_size)).type(dtype), requires_grad = False)
predictions = []
for i in range(x.size(0)):
input = x[i:i+1]
(pred, context_state) = forward(input, context_state, w1, w2)
context_state = context_state
predictions.append(pred.data.numpy().ravel()[0])
ステップ6
次に、必要な方法で正弦波をプロットします。
pl.scatter(data_time_steps[:-1], x.data.numpy(), s = 90, label = "Actual")
pl.scatter(data_time_steps[1:], predictions, label = "Predicted")
pl.legend()
pl.show()
出力
上記のプロセスの出力は次のとおりです。