循环神经网络（LSTM和GRU）(2)

1、tf.nn.dynamic_rnn()函数

参考：http://www.360doc.com/content/17/0321/10/10408243_638692495.shtml

参考：https://blog.csdn.net/u010089444/article/details/60963053

参考：https://blog.csdn.net/u010223750/article/details/71079036

在用rnn处理长文本时，使用dynamic_rnn()可以跳过padding部分的计算，从而减少计算量。假设有两个文本，一个为10，一个为5，那么需要对第二文本进行0-padding填充，得到shape维度[2,10,dim]，其中dim为词向量的维度，

使用dynamic_run的代码如下：

outputs,last_states=tf.nn.dynamic_rnn(cell=cell,dtype=tf.float32,sequence_length=x_lengths,inputs=x)

其中cell为RNN节点，比如tf.contrib.rnn.BasicLSTMCell，x是0-padding之后的数据，x_lengths是每个文本的长度。

tf.nn.dynamic_rnn()返回两个变量，第一个是每个step的输出值，以上面的例子为例，得到的维度则为：[2,10,dim]，第二个是最终的状态，是由(c,h)组成的tuple，均为[batch,dim]，其中dynamic有个参数sequence_length，用来指定每个example的长度，

以如下为例：

import tensorflow as tf
import numpy as np
# 创建输入数据
X = np.random.randn(2, 10, 8)       #其中2为batch_size，10为文本最大长度，8为embedding_size
# 第二个example长度为6   #randn从标准正态分布返回值，rand从[0,1)返回值
X[1,6:] = 0
X_lengths = [10, 6]
with tf.variable_scope('c', reuse=None) as scope:          #根据调用是否首次来调整reuse为True或False
    cell = tf.contrib.rnn.BasicLSTMCell(num_units=64, state_is_tuple=True)    #num_units指的是一个cell中神经元的个数
#循环层的cell数目表示：X_split = tf.split(XR, time_step_size, 0)  (X_split中划分出来的arrays数量为循环层的cell个数)
#在任意时刻，LSTM cell会产生两个内部状态c和h，当state_is_tuple=True时，该状态的c和h是分开记录的，放在一个二元tuple返回，维度均为[batch,embedding_size]；如果state_is_tuple=False时，两个状态就按列连接起来返回，
    outputs, last_states = tf.nn.dynamic_rnn(             #outputs返回的维度是[2,10,8]，last_states返回的维度是[2,64]
            cell=cell,                    #tf.nn.dynamic_rnn用于实现不同迭代传入的batch可以是长度不同的数据，但是同一次迭代一个batch内部所有的数据长度仍然是固定的。也即第一次传入为[batch_size,10]，第二次[batch_size，8]，第三次[batch_size,11]
            dtype=tf.float64,                #然而对于rnn来说，每次输入的则是最大长度，也即[batch_size，max_seq]
            sequence_length=X_lengths,       #假若设置第二个example的有效长度为6，当传入这个参数时，tensorflow对6之后的padding就不计算了，其last_states将重复第6步的计算到末尾，而outputs中超过6步的结果会被置零。
            inputs=X)
    result = tf.contrib.learn.run_n(
            {"outputs": outputs, "last_states": last_states},
            n=1,
            feed_dict=None)
    print (result[0])
assert result[0]["outputs"].shape == (2, 10, 64)       # 第二个example中的outputs超过6步(7-10步)的值应该为0 
assert (result[0]["outputs"][1,7,:] == np.zeros(cell.output_size)).all()

 2、tf.contrib.rnn.BasicLSTMCell()函数和tf.contrib.rnn.BasicRNNCell()函数

参考：https://blog.csdn.net/u013082989/article/details/73693392

参考：https://blog.csdn.net/u010089444/article/details/60963053

BasicRNNCell是最基本的RNN cell单元，输入参数包括：

num_units：RNN层神经元的个数

activation：内部状态间的激活函数

reuse：决定是否重用现有域的变量

BasicLSTMCell是最基本的LSTM循环神经网络单元，输入参数包括：

num_units：LSTM cell层中的单元数

forget_bias：forget gates中的偏置

state_is_tuple：返回(c_state，m_state)二元组

activation：状态间转移的激活函数

reuse：是否重用变量

以MNIST手写体数据集为例：

from tensorflow.examples.tutorials.mnist import input_data
import tensorflow as tf
from tensorflow.contrib import rnn
import numpy as np
input_vec_size = lstm_size = 28 # 输入向量的维度
time_step_size = 28 # 循环层长度
batch_size = 128
test_size = 256
def init_weights(shape):
    return tf.Variable(tf.random_normal(shape, stddev=0.01))
def model(X, W, B, lstm_size):
    # X, input shape: (batch_size, time_step_size, input_vec_size)
    # XT shape: (time_step_size, batch_size, input_vec_size)
    XT = tf.transpose(X, [1, 0, 2])  # permute time_step_size and batch_size,[28, 128, 28]
    # XR shape: (time_step_size * batch_size, input_vec_size)
    XR = tf.reshape(XT, [-1, lstm_size]) # each row has input for each lstm cell (lstm_size=input_vec_size)
    # Each array shape: (batch_size, input_vec_size)
    X_split = tf.split(XR, time_step_size, 0) # split them to time_step_size (28 arrays),shape = [(128, 28),(128, 28)...]
    # Make lstm with lstm_size (each input vector size). num_units=lstm_size; forget_bias=1.0
    lstm = rnn.BasicLSTMCell(lstm_size, forget_bias=1.0, state_is_tuple=True)
    # Get lstm cell output, time_step_size (28) arrays with lstm_size output: (batch_size, lstm_size)
    # rnn..static_rnn()的输出对应于每一个timestep，如果只关心最后一步的输出，取outputs[-1]即可
    outputs, _states = rnn.static_rnn(lstm, X_split, dtype=tf.float32)  # 时间序列上每个Cell的输出:[... shape=(128, 28)..]
    # Linear activation
    # Get the last output
    return tf.matmul(outputs[-1], W) + B, lstm.state_size # State size to initialize the stat
mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)
trX, trY, teX, teY = mnist.train.images, mnist.train.labels, mnist.test.images, mnist.test.labels
# 将每张图用一个28x28的矩阵表示,(55000,28,28,1)
trX = trX.reshape(-1, 28, 28)
teX = teX.reshape(-1, 28, 28)
X = tf.placeholder("float", [None, 28, 28])
Y = tf.placeholder("float", [None, 10])
# get lstm_size and output 10 labels
W = init_weights([lstm_size, 10])  # 输出层权重矩阵28×10
B = init_weights([10])  # 输出层bais
py_x, state_size = model(X, W, B, lstm_size)
cost = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(logits=py_x, labels=Y))
train_op = tf.train.RMSPropOptimizer(0.001, 0.9).minimize(cost)
predict_op = tf.argmax(py_x, 1)
session_conf = tf.ConfigProto()
session_conf.gpu_options.allow_growth = True
# Launch the graph in a session
with tf.Session(config=session_conf) as sess:
    # you need to initialize all variables
    tf.global_variables_initializer().run()
    for i in range(100):
        for start, end in zip(range(0, len(trX), batch_size), range(batch_size, len(trX)+1, batch_size)):
            sess.run(train_op, feed_dict={X: trX[start:end], Y: trY[start:end]})
        test_indices = np.arange(len(teX))  # Get A Test Batch
        np.random.shuffle(test_indices)
        test_indices = test_indices[0:test_size]
        print(i, np.mean(np.argmax(teY[test_indices], axis=1) ==
                         sess.run(predict_op, feed_dict={X: teX[test_indices]})))