TensorFlow - cykliczne sieci neuronowe

Powtarzające się sieci neuronowe to rodzaj algorytmu zorientowanego na głębokie uczenie się, który opiera się na podejściu sekwencyjnym. W sieciach neuronowych zawsze zakładamy, że każde wejście i wyjście jest niezależne od wszystkich innych warstw. Tego typu sieci neuronowe są nazywane rekurencyjnymi, ponieważ wykonują obliczenia matematyczne w sposób sekwencyjny.

Rozważ następujące kroki, aby wytrenować powtarzającą się sieć neuronową -

Step 1 - Wprowadź konkretny przykład ze zbioru danych.

Step 2 - Sieć weźmie przykład i obliczy niektóre obliczenia przy użyciu losowo zainicjowanych zmiennych.

Step 3 - Następnie obliczany jest przewidywany wynik.

Step 4 - Porównanie rzeczywistego uzyskanego wyniku z wartością oczekiwaną spowoduje błąd.

Step 5 - Aby prześledzić błąd, jest on propagowany tą samą ścieżką, na której dostosowywane są również zmienne.

Step 6 - Kroki od 1 do 5 są powtarzane do momentu uzyskania pewności, że zmienne zadeklarowane w celu uzyskania wyniku są poprawnie zdefiniowane.

Step 7 - Systematyczne przewidywanie jest wykonywane przez zastosowanie tych zmiennych w celu uzyskania nowych niewidocznych danych wejściowych.

Schematyczne podejście do reprezentowania powtarzających się sieci neuronowych opisano poniżej -

Okresowa implementacja sieci neuronowej za pomocą TensorFlow

W tej sekcji dowiemy się, jak zaimplementować rekurencyjną sieć neuronową za pomocą TensorFlow.

Step 1 - TensorFlow zawiera różne biblioteki do specyficznej implementacji modułu rekurencyjnej sieci neuronowej.

#Import necessary modules
from __future__ import print_function

import tensorflow as tf
from tensorflow.contrib import rnn
from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets("/tmp/data/", one_hot = True)

Jak wspomniano powyżej, biblioteki pomagają w definiowaniu danych wejściowych, które stanowią podstawową część powtarzalnej implementacji sieci neuronowej.

Step 2- Naszym głównym motywem jest klasyfikacja obrazów za pomocą powtarzającej się sieci neuronowej, w której każdy wiersz obrazu traktujemy jako sekwencję pikseli. Kształt obrazu MNIST jest konkretnie zdefiniowany jako 28 * 28 pikseli. Teraz zajmiemy się 28 sekwencjami po 28 kroków dla każdej wspomnianej próbki. Zdefiniujemy parametry wejściowe, aby uzyskać sekwencyjny wzór.

n_input = 28 # MNIST data input with img shape 28*28
n_steps = 28
n_hidden = 128
n_classes = 10

# tf Graph input
x = tf.placeholder("float", [None, n_steps, n_input])
y = tf.placeholder("float", [None, n_classes]
weights = {
   'out': tf.Variable(tf.random_normal([n_hidden, n_classes]))
}
biases = {
   'out': tf.Variable(tf.random_normal([n_classes]))
}

Step 3- Oblicz wyniki za pomocą zdefiniowanej funkcji w RNN, aby uzyskać najlepsze wyniki. Tutaj każdy kształt danych jest porównywany z bieżącym kształtem wejściowym, a wyniki są obliczane w celu utrzymania współczynnika dokładności.

def RNN(x, weights, biases):
   x = tf.unstack(x, n_steps, 1)

   # Define a lstm cell with tensorflow
   lstm_cell = rnn.BasicLSTMCell(n_hidden, forget_bias=1.0)

   # Get lstm cell output
   outputs, states = rnn.static_rnn(lstm_cell, x, dtype = tf.float32)

   # Linear activation, using rnn inner loop last output
   return tf.matmul(outputs[-1], weights['out']) + biases['out']

pred = RNN(x, weights, biases)

# Define loss and optimizer
cost = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(logits = pred, labels = y))
optimizer = tf.train.AdamOptimizer(learning_rate = learning_rate).minimize(cost)

# Evaluate model
correct_pred = tf.equal(tf.argmax(pred,1), tf.argmax(y,1))
accuracy = tf.reduce_mean(tf.cast(correct_pred, tf.float32))

# Initializing the variables
init = tf.global_variables_initializer()

Step 4- W tym kroku uruchomimy wykres, aby uzyskać wyniki obliczeń. Pomaga to również w obliczaniu dokładności wyników testów.

with tf.Session() as sess:
   sess.run(init)
   step = 1
   # Keep training until reach max iterations
   
   while step * batch_size < training_iters:
      batch_x, batch_y = mnist.train.next_batch(batch_size)
      batch_x = batch_x.reshape((batch_size, n_steps, n_input))
      sess.run(optimizer, feed_dict={x: batch_x, y: batch_y})
      
      if step % display_step == 0:
         # Calculate batch accuracy
         acc = sess.run(accuracy, feed_dict={x: batch_x, y: batch_y})
         
         # Calculate batch loss
         loss = sess.run(cost, feed_dict={x: batch_x, y: batch_y})
         
         print("Iter " + str(step*batch_size) + ", Minibatch Loss= " + \
            "{:.6f}".format(loss) + ", Training Accuracy= " + \
            "{:.5f}".format(acc))
      step += 1
   print("Optimization Finished!")
      test_len = 128
   test_data = mnist.test.images[:test_len].reshape((-1, n_steps, n_input))
   
   test_label = mnist.test.labels[:test_len]
   print("Testing Accuracy:", \
      sess.run(accuracy, feed_dict={x: test_data, y: test_label}))

Poniższe zrzuty ekranu pokazują wygenerowane dane wyjściowe -