摘要：本篇文章将分享循环神经网络 LSTM RNN 如何实现回归预测。
本文分享自华为云社区《[[Python 人工智能] 十四. 循环神经网络 LSTM RNN 回归案例之 sin 曲线预测 丨【百变 AI 秀】](https://bbs.huaweicloud.com/b…)》，作者：eastmount。
一.RNN 和 LSTM 回顾
1.RNN
(1) RNN 原理
循环神经网络英文是 Recurrent Neural Networks，简称 RNN。假如有一组数据 data0、data1、data2、data3，应用同一个神经网络预测它们，失去对应的后果。如果数据之间是有关系的，比方做菜下料的前后步骤，英文单词的程序，如何让数据之间的关联也被神经网络学习呢？这就要用到——RNN。
假如存在 ABCD 数字，须要预测下一个数字 E，会依据后面 ABCD 程序进行预测，这就称为记忆。预测之前，须要回顾以前的记忆有哪些，再加上这一步新的记忆点，最终输入 output，循环神经网络（RNN）就利用了这样的原理。
首先，让咱们想想人类是怎么剖析事物之间的关联或程序的。人类通常记住之前产生的事件，从而帮忙咱们后续的行为判断，那么是否能让计算机也记住之前产生的事件呢？
在剖析 data0 时，咱们把剖析后果存入记忆 Memory 中，而后当剖析 data1 时，神经网络（NN）会产生新的记忆，但此时新的记忆和老的记忆没有关联，如上图所示。在 RNN 中，咱们会简略的把老记忆调用过去剖析新记忆，如果持续剖析更多的数据时，NN 就会把之前的记忆全副累积起来。
RNN 构造如下图所示，依照工夫点 t -1、t、t+1，每个时刻有不同的 x，每次计算会思考上一步的 state 和这一步的 x(t)，再输入 y 值。在该数学模式中，每次 RNN 运行完之后都会产生 s(t)，当 RNN 要剖析 x(t+1)时，此刻的 y(t+1)是由 s(t)和 s(t+1)独特发明的，s(t)可看作上一步的记忆。多个神经网络 NN 的累积就转换成了循环神经网络，其简化图如下图的右边所示。
总之，只有你的数据是有程序的，就能够应用 RNN，比方人类谈话的程序，电话号码的程序，图像像素排列的程序，ABC 字母的程序等。在后面解说 CNN 原理时，它能够看做是一个滤波器滑动扫描整幅图像，通过卷积加深神经网络对图像的了解。
而 RNN 也有同样的扫描成果，只不过是减少了工夫程序和记忆性能。RNN 通过暗藏层周期性的连贯，从而捕捉序列化数据中的动静信息，晋升预测后果。
(2) RNN 利用
RNN 罕用于自然语言解决、机器翻译、语音辨认、图像识别等畛域，上面简略分享 RNN 相干利用所对应的构造。
- RNN 情感剖析： 当剖析一个人谈话情感是踊跃的还是消极的，就用如下图所示的 RNN 构造，它有 N 个输出，1 个输入，最初工夫点的 Y 值代表最终的输入后果。
- RNN 图像识别： 此时有一张图片输出 X，N 张对应的输入。
- RNN 机器翻译： 输出和输入别离两个，对应的是中文和英文，如下图所示。
2.LSTM
接下来咱们看一个更弱小的构造，称为 LSTM。
(1) 为什么要引入 LSTM 呢？
RNN 是在有序的数据上进行学习的，RNN 会像人一样对先前的数据产生记忆，但有时候也会像老爷爷一样遗记先前所说。为了解决 RNN 的这个弊病，提出了 LTSM 技术，它的英文全称是 Long short-term memory，长短期记忆，也是当下最风行的 RNN 之一。
假如当初有一句话，如下图所示，RNN 判断这句话是红烧排骨，这时须要学习，而“红烧排骨“在句子结尾。
“ 红烧排骨 ” 这个词须要通过长途跋涉能力到达，要通过一系列失去误差，而后通过反向传递，它在每一步都会乘以一个权重 w 参数。如果乘以的权重是小于 1 的数，比方 0.9，0.9 会一直地乘以误差，最终这个值传递到初始值时，误差就隐没了，这称为梯度隐没或梯度离散。
反之，如果误差是一个很大的数，比方 1.1，则这个 RNN 失去的值会很大，这称为梯度爆炸。
梯度隐没或梯度爆炸：在 RNN 中，如果你的 State 是一个很长的序列，假如反向传递的误差值是一个小于 1 的数，每次反向传递都会乘以这个数，0.9 的 n 次方趋向于 0，1.1 的 n 次方趋向于无穷大，这就会造成梯度隐没或梯度爆炸。
这也是 RNN 没有复原记忆的起因，为了解决 RNN 梯度下降时遇到的梯度隐没或梯度爆炸问题，引入了 LSTM。
(2) LSTM
LSTM 是在一般的 RNN 下面做了一些改良，LSTM RNN 多了三个控制器，即输出、输入、遗记控制器。右边多了个条主线，例如电影的主线剧情，而本来的 RNN 体系变成了分线剧情，并且三个控制器都在分线上。
- 输出控制器（write gate）: 在输出 input 时设置一个 gate，gate 的作用是判断要不要写入这个 input 到咱们的内存 Memory 中，它相当于一个参数，也是能够被训练的，这个参数就是用来管制要不要记住当下这个点。
- 输入控制器（read gate）: 在输入地位的 gate，判断要不要读取当初的 Memory。
- 遗记控制器（forget gate）: 解决地位的遗记控制器，判断要不要遗记之前的 Memory。
LSTM 工作原理为：如果分线剧情对于最终后果非常重要，输出控制器会将这个分线剧情按重要水平写入主线剧情，再进行剖析；如果分线剧情扭转了咱们之前的想法，那么遗记控制器会将某些主线剧情遗记，而后按比例替换新剧情，所以主线剧情的更新就取决于输出和遗记管制；最初的输入会基于主线剧情和分线剧情。
通过这三个 gate 可能很好地管制咱们的 RNN，基于这些管制机制，LSTM 是延缓记忆的良药，从而带来更好的后果。
二.LSTM RNN 回归案例阐明
后面咱们解说了 RNN、CNN 的分类问题，这篇文章将分享一个回归问题。在 LSTM RNN 回归案例中，咱们想要用蓝色的虚线预测红色的实线，因为 sin 曲线是波浪循环，所以 RNN 会用一段序列来预测另一段序列。
代码根本构造包含：
(1) 生成数据的函数 get_batch()
(2) 主体 LSTM RNN
(3) 三层神经网络，包含 input_layer、cell、output_layer，和之前分类 RNN 的构造一样。
(4) 计算误差函数 computer_cost
(5) 误差 weight 和偏置 biases
(6) 主函数建设 LSTM RNN 模型
(7) TensorBoard 可视化神经网络模型，matplotlib 可视化拟合曲线、
最初再补充下 BPTT，就开始咱们的代码编写。
(1) 一般 RNN
假如咱们训练含有 1000000 个数据的序列，如果全副训练的话，整个的序列都 feed 进 RNN 中，容易造成梯度隐没或爆炸的问题。所以解决的办法就是截断反向流传 (Truncated Backpropagation，BPTT)，咱们将序列截断来进行训练(num_steps)。
个别截断的反向流传是：在以后工夫 t，往前反向流传 num_steps 步即可。如下图，长度为 6 的序列，截断步数是 3，Initial State 和 Final State 在 RNN Cell 中传递。
(2) TensorFlow 版本的 BPTT
然而 Tensorflow 中的实现并不是这样，它是将长度为 6 的序列分为了两局部，每一部分长度为 3，前一部分计算失去的 final state 用于下一部分计算的 initial state。如下图所示，每个 batch 进行独自的截断反向流传。此时的 batch 会保留 Final State，并作为下一个 batch 的初始化 State。
参考：深度学习（07）RNN- 循环神经网络 -02-Tensorflow 中的实现 – 莫失莫忘 Lawlite
三. 代码实现
第一步，关上 Anaconda，而后抉择曾经搭建好的“tensorflow”环境，运行 Spyder。
第二步，导入扩大包。
第三步，编写生成数据的函数 get_batch()，它生成了 sin 曲线的序列。
此时的输入后果如下图所示，留神它只是模仿的预期曲线，还不是咱们神经网络学习的构造。
第四步，编写 LSTMRNN 类，它用于定义咱们的循环神经网络构造，初始化操作和所需变量。
初始化 init()函数的参数包含：
• n_steps 示意 batch 中的步骤，共有 3 步。
• input_size 示意传入 batch data 时，每个 input 的长度，该实例中 input_size 和 output_size 均为 1。如下图所示，假如咱们 batch 长度为一个周期（0-6），每个 input 是线的 x 值，input size 示意每个工夫点有多少个值，只有一个点故为 1。
• output_size 示意输入的值，输入对应 input 线的 y 值，其大小值为 1。
• cell_size 示意 RNN Cell 的个数，其值为 10。
• batch_size 示意一次性传给神经网络的 batch 数量，设置为 50。
该局部代码如下，留神 xs 和 ys 的形态。同时，咱们须要应用 Tensorboard 可视化 RNN 的构造，所以调用 tf.name_scope()设置各神经层和变量的命名空间名称，详见第五篇文章。
第五步，接着开始编写三个函数（三层神经网络），它是 RNN 的外围构造。
这三个函数也是减少在 LSTMRNN 的 Class 中，外围代码及具体正文如下所示：
留神，下面调用了 reshape()进行形态更新，为什么要将三维变量改成二维呢？因为只有变成二维变量之后，能力计算 W *X+B。
第六步，定义计算误差函数。
这里须要留神：咱们应用了 seq2seq 函数。它求出的 loss 是整个 batch 每一步的 loss，而后把每一步 loss 进行 sum 求和，变成了整个 TensorFlow 的 loss，再除以 batch size 均匀，最终失去这个 batch 的总 cost，它是一个 scalar 数字。
前面的文章咱们会具体写一篇机器翻译相干的内容，并应用 seq2seq 模型。
Seq2Seq 模型是输入的长度不确定时采纳的模型，这种状况个别是在机器翻译的工作中呈现，将一句中文翻译成英文，那么这句英文的长度有可能会比中文短，也有可能会比中文长，所以输入的长度就不确定了。如下图所，输出的中文长度为 4，输入的英文长度为 2。
在网络结构中，输出一个中文序列，而后输入它对应的中文翻译，输入的局部的后果预测前面，依据下面的例子，也就是先输入“machine”，将 ”machine” 作为下一次的输出，接着输入 ”learning”，这样就能输入任意长的序列。
机器翻译、人机对话、聊天机器人等等，这些都是利用在当今社会都或多或少的使用到了咱们这里所说的 Seq2Seq。
第七步，定义 msr_error 计算函数、误差计算函数和偏置计算函数。
写到这里，整个 Class 就定义实现。
第八步，接下来定义主函数，进行训练和预测操作，这里先尝试 TensorBoard 可视化展示。
四. 残缺代码及可视化展现
该阶段的残缺代码如下，咱们先尝试运行下代码：
此时会在 Python 文件目录下新建一个“logs”文件夹和 events 的文件，如下图所示。
接下来尝试关上它。首先调出 Anaconda Prompt，并激活 TensorFlow，接着去到 events 文件的目录，调用命令“tensorboard –logdir=logs 运行即可，如下图所示。留神，这里只须要指引到文件夹，它就会主动索引到你的文件。
此时拜访网址“http://localhost:6006/”，抉择“Graphs”，运行之后如下图所示，咱们的神经网络就呈现了。
神经网络构造如下图所示，包含输出层、LSTM 层、输入层、cost 误差计算、train 训练等。
具体构造如下图所示：
通常咱们会将 train 局部搁置一边，选中“train”而后鼠标右键点击“Remove from main graph”。外围构造如下，in_hidden 是承受输出的第一层，之后是 LSTM_cell，最初是输入层 out_hidden。
- in_hidden： 包含了权重 Weights 和 biases，计算公式 Wx_plus_b。同时，它包含了 reshape 操作，2_2D 和 2_3D。
- out_hidden： 包含了权重 weights、偏置 biases、计算公式 Wx_plus_b、二维数据 2_2D，并且输入后果为 cost。
- cost： 计算误差。
- 两头是 LSTM_cell： 包含 RNN 循环神经网络，初始化 initial_state，之后会被 state 更新替换。
留神版本问题，读者能够联合本人的 TensorFlow 版本进行适当批改运行。作者版本版本信息为：Python3.6、Anaconda3、Win10、Tensorflow1.15.0。
如果您报错 AttributeError: module‘tensorflow._api.v1.nn’has no attribute‘seq2seq’，这是 TensorFlow 版本升级，办法调用更改。解决形式：
如果您报错 TypeError: msr_error() got an unexpected keyword argument‘labels’，msr_error() 函数失去一个意外的要害参数‘lables’。其解决形式：定义 msr_error() 函数时，应用 labels，logits 指定，将
改为：
如果您报错 ValueError: Variable in_hidden/weights already exists, disallowed. Did you mean to set reuse=True or reuse=tf.AUTO_REUSE in VarScope?，则重新启动 kernel 即可运行。
五. 预测及曲线拟合
最初，咱们在主函数中编写 RNN 训练学习和预测的代码。
首先咱们来测试 cost 学习的后果。代码如下，if 判断中 cell_init_state 为后面已初始化的 state，之后更新 state（model.cell_init_state: state），其实就是将 Final State 换成下一个 batch 的 Initial State，从而合乎咱们定义的构造。
每隔 20 步输入后果，如下所示，误差从最后的 33 到最初的 0.335，神经网络在一直学习，误差在一直减小。
接下来减少 matplotlib 可视化的 sin 曲线动静拟合过程，最终残缺代码如下所示：
写道这里，这篇文章终于写完了。文章十分长，但心愿对您有所帮忙。LSTM RNN 通过一组数据预测另一组数据。预测成果如下图所示，红色的实线示意须要预测的线，蓝色的虚线示意 RNN 学习的线，它们在一直地迫近，蓝线学到了红线的法则，最终将蓝线根本拟合到红线上。
六. 总结
本文介绍完了，更多 TensorFlow 深度学习文章会持续分享，接下来咱们会分享监督学习、GAN、机器翻译、文本辨认、图像识别、语音辨认等内容。如果读者有什么想学习的，也能够私聊我，我去学习并利用到你的畛域。
最初，心愿这篇基础性文章对您有所帮忙，如果文章中存在谬误或不足之处，还请海涵~ 作为人工智能的菜鸟，我心愿本人能不断进步并深刻，后续将它利用于图像识别、网络安全、反抗样本等畛域，领导大家撰写简略的学术论文，一起加油！
代码下载地址（欢送大家关注点赞）：
https://github.com/eastmounty…
https://github.com/eastmounty…
点击关注，第一工夫理解华为云陈腐技术~