深度循环神经网络 讨论区

课程讨论
#1

http://zh.diveintodeeplearning.org/chapter_recurrent-neural-networks/deep-rnn.html

#2

第二段中“第l隐藏层（l=1，…，T）的隐藏状态为…”这句有个错误，“T”应该改为“L”。

2赞
#3

深度循环神经网络是个坑吧，试了下更差劲

#4

是差了一点。第250轮的困惑度变成1.38了，原来一层网络的数据是1.17左右。

#5

各位大佬，可以把深度循环神经网络的code share一下么？

#6

不知对不对 但是最后结果跑出来了

def rnn(inputs, state, params):
# inputs和outputs皆为num_steps个形状为(batch_size, vocab_size)的矩阵
W_xh, W_hh, b_h,W_xh1,W_hh1,b_h1, W_hq, b_q = params
H_01, = state
H_02, = state
outputs = []
for X in inputs:
H_01 = nd.tanh(nd.dot(X, W_xh) + nd.dot(H_01, W_hh) + b_h)
H_02 = nd.tanh(nd.dot(H_01,W_xh1) + nd.dot(H_02,W_hh1) + b_h1)
Y = nd.dot(H_02, W_hq) + b_q
outputs.append(Y)
return outputs, (H_02,)

#7

不知为什么，用含两个隐藏层的RNN训练，结果竟然更差了。其一，困惑度下降的更慢了；其二，预测结果出现了很大的不稳定（困惑度虽然随着训练不断下降，但预测的歌词却并非越来越好，反倒是出现反复现象）。

image
image1169×739 16 KB

训练的参数和单隐藏层scratch一致，只是增大了num_epochs如下：
image
image728×79 2.49 KB

参数尺寸如下：
image
state初始化需要对两个隐藏层的state均做初始化：
image
最后，双隐藏层rnn的内部计算实现如下（基于书本上的公式）：
image

望大神指出我的实现是否存在问题:grin::grin:

#8

rnn函数有问题，应该把H1_0与H1的变量名统一起来，H2也一样。否则时间步之间的隐藏状态是无法传递的。

1赞
#9

贴上代码，没有考虑封装，只是简单实现。

def get_params():
    def _one(shape):
        return nd.random.normal(scale=0.01, shape=shape, ctx=ctx)

    w_xh1 = _one((num_input, num_hidden))
    w_hh1 = _one((num_hidden, num_hidden))
    b_h1 = nd.zeros(num_hidden, ctx=ctx)

    w_xh2 = _one((num_hidden, num_hidden))
    w_hh2 = _one((num_hidden, num_hidden))
    b_h2 = nd.zeros(num_hidden, ctx=ctx)

    w_hq = _one((num_hidden, num_output))
    b_q = nd.zeros(num_output, ctx=ctx)
    params = [
        w_xh1, w_hh1, b_h1,
        w_xh2, w_hh2, b_h2,
        w_hq, b_q,
    ]
    for p in params:
        p.attach_grad()
    return params


def init_rnn_state(_batch_size, _num_hidden, _ctx):
    return (
        nd.zeros(shape=(_batch_size, _num_hidden), ctx=ctx),
        nd.zeros(shape=(_batch_size, _num_hidden), ctx=ctx),
    )


def deep_rnn(_input: nd.NDArray, state: tuple, params: list):
    w_xh1, w_hh1, b_h1, w_xh2, w_hh2, b_h2, w_hq, b_q, = params
    hidden_layer_1, hidden_layer_2 = state
    output = []
    for x in _input:
        hidden_layer_1 = nd.tanh(nd.dot(x, w_xh1) + nd.dot(hidden_layer_1, w_hh1) + b_h1)
        hidden_layer_2 = nd.tanh(nd.dot(hidden_layer_1, w_xh2) + nd.dot(hidden_layer_2, w_hh2) + b_h2)
        y_hat = nd.dot(hidden_layer_2, w_hq) + b_q
        output.append(y_hat)
    return output, (hidden_layer_1, hidden_layer_2)
1赞
#10

2021年深度学习核心技术培训班
2021年深度学习核心技术培训班793×6633 1.77 MB

#11 
N层RNN实现，看看对不对

def get_params():
    def _one(shape):
        return nd.random.normal(scale=0.01, shape=shape, ctx=ctx)

    #深度RNN的层数设定为num_layers
	for layer in range(num_layers):
		if layer == 0: 
		    #第一层参数
	        w_xh[layer] = _one((num_input, num_hidden))
            w_hh[layer] = _one((num_hidden, num_hidden))
            b_h[layer] = nd.zeros(num_hidden, ctx=ctx)
        else:
		    #其他层
		    w_xh[layer] = _one((num_hidden, num_hidden))
			w_hh[layer] = _one((num_hidden, num_hidden))
			b_h[layer]= nd.zeros(num_hidden, ctx=ctx)
		params.append(w_xh[layer])
        params.append(w_hh[layer])
        params.append(b_h[layer])
	#输出层参数
    w_hq = _one((num_hidden, num_output))
    b_q = nd.zeros(num_output, ctx=ctx)
    params.append(w_hq)
    params.append(b_q)
	
    for p in params:
        p.attach_grad()
    return params


def init_rnn_state(_batch_size, _num_hidden, _ctx):
    return (
        (nd.zeros(shape=(_batch_size, _num_hidden), ctx=ctx),)*num_layers       
    )


def deep_rnn(_input: nd.NDArray, state: tuple, params: list):
    output = []
    for x in _input:
		for layer in range(num_layers):
		    if layer ==0:
			    #第一层输入层
			    state[layer] = nd.tanh(nd.dot(x, params[layer*3]#w_xh) + nd.dot(state[layer], params[layer*3+1]#w_hh) + params[layer*3+2]#b_h)
            else: #从第二层开始，走这里
			    state[layer] = nd.tanh(nd.dot(state[layer-1], params[layer*3]) + nd.dot(state[layer], params[layer*3+1]) + params[layer*3+2])
        
		y_hat = nd.dot(state[layer], params[-2]) + params[-1] 
            #这里layer的值停留在for循环结束时，即最后一层L
            #最后两个参数是输出层参数
        output.append(y_hat)
    return output, state
#12

很明显错了，建议仔细看公式