深度学习原理与框架-递归神经网络-RNN_exmaple(代码) 1.rnn.BasicLSTMCell(构造基本网络) 2.tf.nn.dynamic_rnn(执行rnn网络) 3.tf.expand_dim(增加输入数据的维度) 4.tf.tile(在某个维度上按照倍数进行平铺迭代) 5.tf.squeeze(去除维度上为1的维度)

1. rnn.BasicLSTMCell(num_hidden) #  构造单层的lstm网络结构

参数说明：num_hidden表示隐藏层的个数

2.tf.nn.dynamic_rnn(cell, self.x, tf.float32) # 执行lstm网络，获得state和outputs

参数说明：cell表示实例化的rnn网络，self.x表示输入层，tf.float32表示类型

3. tf.expand_dim(self.w, axis=0) 对数据增加一个维度

参数说明：self.w表示需要增加的数据维度，axis表示哪个维度进行增加

4. tf.tile(tf_expand, [num_example, 1, 1]) # 延某个方向进行平铺操作

参数说明：tf_expand表示输入的数据， [num_example, 1, 1] 表示延第一个维度进行num_example倍的平铺迭代

sess = tf.Session()
x = tf.constant([[1,2,1],[1,2,1]])
y = tf.tile(x, [2,1])
print(sess.run(y))
# 代码结果

[[1 2 1]
[1 2 1]
[1 2 1]
[1 2 1]]

5.tf.squeeze(out) # 将维度上为1的维度都进行去除， 代码中将[?, 4, 1] 变成了[?, 4]

参数说明：out为输入数据

代码说明：代码使用了类的构造方式，在初始化阶段，进行参数和输入数据的初始化，同时使用self.model() 构造输出结果y_pred即?, 4, 返回的结果，在初始化过程中，使用tf.reduce_mean(tf.square(y - self.model))计算损失值，使用梯度下降进行优化，使用self.train和self.test输入实际值， 进行模型的训练和预测

数据说明：自己构造[?, 4, 1] 的数据集，数据集的规律是前两个相加等于预测结果，预测样本的维度为[?, 4] 压缩了最后一个维度

模型说明：使用的是单层的cell = rnn.LTSMCell(hidden_num),使用tf.nn.dynamic_rnn(cell, self.x, shape=tf.float32) , 获得输出值维度为[?, 4, 10]

代码主要分为三个部分：

第一部分：主要是构造初始参数，以及self.model() 进行模型的结果输出即y_pred, 对返回值使用均分误差，并使用自适应梯度下降降低损失值，同时构造self.Saver()

第二部分：构造输入函数self.train(self, train_x, train_y) 进行模型的训练，使用self.Saver.save(sess, './model') 进行模型的参数的保存

第三部分：构造输入函数self.test(self.test_x) 进行模型的预测， 使用self.Saver.restore(sess, './model') 进行模型参数的加载

第一部分：

第一步：构造类SeriesPredictor， 使用self.input_size = input_size 将输入转换为内部使用的数

第二步：使用tf.placeholder构造x的维度为[None, seq_size, input_size], 构造y的维度为[None, seq_size], 使用tf.Variable()构造W的维度为[hidden_num, 1], 构造b的维度为[1]

第三步：构造self.model() 用于获得预测值y_pred

第一步：使用rnn.BasicLSTMCell(self.hidden_num) 构造单层的LSTM网络

第二步： 使用tf.nn.dynamic_rnn(cell, self.x, shape=tf.float32)获得outputs和states的输出值，outputs的维度为[?, 4, 10]

第三步：使用tf.shape(self.x)[0] 获得self.x的样品数目

第四步：使用tf.expand_dim增加self.w_out的维度， 再使用tf.tile(tf_expand, [num_examples, 1, 1]) 将第一个维度的大小变得和样本数目self.x的大小相等

第五步：使用tf.matmul(self.x, tf_tile) + self.b_out 获得输出值

第六步：使用tf.squeeze(out)  将out的维度从[?, 4, 1]压缩为[?, 4]

第四步：将self.model() 返回的输出值与self.y 做均分误差用于计算损失值

第五步：tf.train.Adaoptimzer().minimize(cost) # 用于进行损失值的梯度下降

第六步：使用tf.Saver() 构建每个类的存储函数

import tensorflow as tf
import numpy as np
from tensorflow.contrib import rnn

class SeriesPredictor:

    def __init__(self, input_size, seq_size, hidden_num):

        self.input_size = input_size
        self.seq_size = seq_size
        self.hidden_num = hidden_num

        # 使用tf.placeholder设置x和y， 并且设置W, b
        self.W_out = tf.Variable(tf.random_normal([hidden_num, 1]), name='W_out')
        self.b_out = tf.Variable(tf.constant(0.1, shape=[1]), name='b_out')
        self.x = tf.placeholder(tf.float32, [None, seq_size, input_size])
        self.y = tf.placeholder(tf.float32, [None, seq_size])

        self.cost = tf.reduce_mean(tf.square(self.model() - self.y))
        self.train_op = tf.train.AdamOptimizer().minimize(self.cost)

        self.saver = tf.train.Saver()

    def model(self):

        cell = rnn.BasicLSTMCell(self.hidden_num)
        outputs, states = tf.nn.dynamic_rnn(cell, self.x, dtype=tf.float32)
        num_example = tf.shape(self.x)[0]

        tf_expand = tf.expand_dims(self.W_out, axis=0)
        tf_tile = tf.tile(tf_expand, [num_example, 1, 1])
        out = tf.matmul(outputs, tf_tile) + self.b_out
        out = tf.squeeze(out)

        return out

第二部分：在类中构建train函数，输入train_x, train_y 进行模型的训练

第一步：构建sess, tf.get_variable_scope().reuse_variable() 进行模型的参数的复用， 模型的初始化

第二步：sess.run([train_op, cost], feed_dict=) 执行降低损失值和计算cost的操作

第三步：每循环200次，打印损失值和迭代次数i

第四步：self.saver.save(sess, './model') # 将模型参数的sess进行保存

    def train(self, train_x, train_y):
        # 第一步：构建sess，
        with tf.Session() as sess:
            # 模型参数的复用
            tf.get_variable_scope().reuse_variables()
            # 模型初始化
            sess.run(tf.global_variables_initializer())
            for i in range(1000):
                  # 第二步：执行降低损失值和计算cost
                _, mse = sess.run([self.train_op, self.cost], feed_dict={self.x:train_x, self.y:train_y})
                  # 第三步：每循环200次，打印结果
                if i % 200 == 0:
                    print(i, mse)
            # 第四步：保存sess的参数
            save_path = self.saver.save(sess, './model')
            print('Model saved to {}'.format(save_path))

第三部分：构建test函数，输入为test_x, 加载sess参数，进行模型的预测

第一步：构建sess函数，使用tf.get_variable_scope().reuse_variable() 进行参数的复用

第二步：使用self.saver.restore(sess, './model') # 进行参数的加载

第三步：使用sess.run(self.model(), feed_dict={self.x:test_x})  获得实际的预测值y_pred，返回预测的结果

    def test(self, test_x):
        # 第一步：构建sess，并进行模型参数的复用
        with tf.Session() as sess:
            tf.get_variable_scope().reuse_variables()
            # 第二步：加载sess模型的参数
            self.saver.restore(sess, './model')
            # 第三步：输出模型的预测结果self.model, 返回结果
            out = sess.run(self.model(), feed_dict={self.x:test_x})
            return out

代码的主要调用函数

if __name__ == '__main__':
    # 实例化模型，input_size表示每一次输入，seq_size表示一共有几个单元，hidden_num表示隐藏层的个数
    predictor = SeriesPredictor(input_size=1, seq_size=4, hidden_num=10)
    # 训练集的X
    train_x = [[[1], [2], [5], [6]],
              [[5], [7], [7], [8]],
               [[3], [4], [5], [7]]]
     # 训练集的y
    train_y = [[1, 3, 7, 11],
               [5, 12, 14, 15],
               [3, 7, 9, 12]]
     # 调用实例化函数的train进行模型训练
    predictor.train(train_x, train_y)
     # 测试集的x
    test_x = [[[1], [2], [3], [4]],  # 1, 3, 5, 7
              [[4], [5], [6], [7]]]
     # 测试集的y
    actual_y = [[[1], [3], [5], [7]],
                [[4], [9], [11], [13]]]
     # 调用实例化的y进行模型的预测
    pred_y = predictor.test(test_x)
     # 打印输出的结果
    for i, x in enumerate(test_x):
        print('the input is {}'.format(x))
        print('the actual y is {}'.format(actual_y[i]))
        print('the pred y is {}'.format(pred_y[i]))