PyTorch - cykliczna sieć neuronowa

Powtarzające się sieci neuronowe to jeden z rodzajów algorytmów zorientowanych na głębokie uczenie się, które są oparte na podejściu sekwencyjnym. W sieciach neuronowych zawsze zakładamy, że każde wejście i wyjście jest niezależne od wszystkich innych warstw. Tego typu sieci neuronowe nazywane są rekurencyjnymi, ponieważ wykonują obliczenia matematyczne w sposób sekwencyjny, wykonując jedno zadanie po drugim.

Poniższy diagram przedstawia pełne podejście i działanie powtarzających się sieci neuronowych -

Na powyższym rysunku c1, c2, c3 i x1 są uważane za dane wejściowe, które zawierają pewne ukryte wartości wejściowe, mianowicie h1, h2 i h3, dostarczające odpowiednie wyjście o1. Skoncentrujemy się teraz na wdrożeniu PyTorch do tworzenia fali sinusoidalnej za pomocą powtarzających się sieci neuronowych.

Podczas szkolenia będziemy postępować zgodnie z podejściem szkoleniowym do naszego modelu z jednym punktem danych na raz. Sekwencja wejściowa x składa się z 20 punktów danych, a sekwencja docelowa jest uważana za taką samą, jak sekwencja wejściowa.

Krok 1

Zaimportuj niezbędne pakiety do implementacji powtarzających się sieci neuronowych za pomocą poniższego kodu -

import torch
from torch.autograd import Variable
import numpy as np
import pylab as pl
import torch.nn.init as init

Krok 2

Ustawimy hiperparametry modelu z rozmiarem warstwy wejściowej ustawionym na 7. Będzie 6 neuronów kontekstowych i 1 neuron wejściowy do tworzenia sekwencji docelowej.

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)

Wygenerujemy dane treningowe, gdzie x jest sekwencją danych wejściowych, a y jest sekwencją docelową.

Krok 3

Wagi są inicjalizowane w powtarzającej się sieci neuronowej przy użyciu rozkładu normalnego z zerową średnią. W1 będzie reprezentować akceptację zmiennych wejściowych, a w2 będzie reprezentować wynik, który jest generowany, jak pokazano poniżej -

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)

Krok 4

Teraz ważne jest, aby utworzyć funkcję sprzężenia zwrotnego, która jednoznacznie definiuje sieć neuronową.

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)

Krok 5

Kolejnym krokiem jest rozpoczęcie procedury szkoleniowej implementacji rekurencyjnej fali sinusoidalnej w sieci neuronowej. Pętla zewnętrzna wykonuje iterację po każdej pętli, a pętla wewnętrzna przechodzi przez element sekwencji. Tutaj obliczymy również średni kwadratowy błąd (MSE), który pomaga w przewidywaniu zmiennych ciągłych.

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])

Krok 6

Teraz nadszedł czas, aby wykreślić przebieg sinusoidalny, tak jak jest to potrzebne.

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()

Wynik

Wynik powyższego procesu jest następujący -