关于神经网络:循环神经网络LSTM-RNN回归sin曲线预测

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~