文章目录
- 一、循环神经网络RNN
- 1.RNN是什么
- 2.RNN的语言模型
- 3.RNN的结构形式
- 二、完整代码
- 三、代码解读
- 1.参数return_sequences
- 2.调参过程
一、循环神经网络RNN
1.RNN是什么
循环神经网络RNN主要体现在上下文对理解的重要性，他比传统的神经网络（传统的神经网络结构：输入层-隐藏层-输出层）更细腻温情，前面所有的输入产生的结果都对后续输出产生影响，他关注隐层每个神经元在时间维度上的成长。体现在图上，就是表示隐层在不同时刻的状态。RNN在小数据集，低算力的情况下非常有效。
2.RNN的语言模型
3.RNN的结构形式
由于时序上的层级就够，使得RNN在输入输出关系上有很大的灵活性。以下是四种结构形式：
- 单入多出的形式：可实现看图说话等功能。
- N to one：与上面一种刚好相反，输入很多句话，可以输出一张图片。
- N to N：输入输出等长序列。可生成文章、诗歌、代码等。
- N to M（Encoder-Decoder模型或Seq2Seq模型）：将输入数据编码成上下文向量，然后输出预测的序列。常用语文本翻译、阅读理解、对话生成等很多领域广泛应用。
二、完整代码
# 一、前期准备
# 1.1 导入所需包和设置GPU
import osos.environ['TF_CPP_MIN_LOG_LEVEL'] = '2' # 不显示等级2以下的提示信息
import tensorflow as tf
import pandas as pd
import numpy as np
from sklearn.preprocessing import StandardScaler
from sklearn.model_selection import train_test_split
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense, LSTM, SimpleRNN
import matplotlib.pyplot as pltgpus = tf.config.list_physical_devices("GPU")if gpus:gpu0 = gpus[0] # 如果有多个GPU，仅使用第0个GPUtf.config.experimental.set_memory_growth(gpu0, True) # 设置GPU显存用量按需使用tf.config.set_visible_devices([gpu0], "GPU")
print(gpus)#1.2 导入数据
df = pd.read_csv('R1heart.csv')
print(df)df.isnull().sum() #检查是否有空值#二、数据预处理
#2.1 数据集划分
x = df.iloc[:,:-1]
y = df.iloc[:,-1]x_train, x_test, y_train, y_test = train_test_split(x, y, test_size=0.1, random_state=1)
print(x_train.shape, y_train.shape)# 将每一列特征标准化为标准正态分布，注意，标准化是针对每一列而言的
sc = StandardScaler()
x_train = sc.fit_transform(x_train)
x_test = sc.transform(x_test)x_train = x_train.reshape(x_train.shape[0], x_train.shape[1], 1)
x_test = x_test.reshape(x_test.shape[0], x_test.shape[1], 1)#三、构建RNN模型model = Sequential()
model.add(SimpleRNN(128, input_shape= (13,1),return_sequences=True,activation='relu'))
model.add(SimpleRNN(64,return_sequences=True, activation='relu'))
model.add(SimpleRNN(32, activation='relu'))
model.add(Dense(64, activation='relu'))
model.add(Dense(1, activation='sigmoid'))
model.summary()#四、编译模型
opt = tf.keras.optimizers.Adam(learning_rate=1e-4)
model.compile(loss='binary_crossentropy', optimizer=opt,metrics=['accuracy'])#五、训练模型
epochs = 100
history = model.fit(x_train, y_train,epochs=epochs,batch_size=128,validation_data=(x_test, y_test),verbose=1)
#六、模型评估
acc = history.history['accuracy']
val_acc = history.history['val_accuracy']loss = history.history['loss']
val_loss = history.history['val_loss']epochs_range = range(epochs)plt.figure(figsize=(14, 4))
plt.subplot(1, 2, 1)plt.plot(epochs_range, acc, label='Training Accuracy')
plt.plot(epochs_range, val_acc, label='Validation Accuracy')
plt.legend(loc='lower right')
plt.title('Training and Validation Accuracy')plt.subplot(1, 2, 2)
plt.plot(epochs_range, loss, label='Training Loss')
plt.plot(epochs_range, val_loss, label='Validation Loss')
plt.legend(loc='upper right')
plt.title('Training and Validation Loss')
plt.show()scores = model.evaluate(x_test,y_test,verbose=0)
print("%s: %.2f%%" % (model.metrics_names[1], scores[1]*100))
打印结果：
三、代码解读
1.参数return_sequences
当return_sequences=True时，无论输入序列的长度如何，输出都将是一个三维数组，其形状为[batch_size, sequence_length, output_dim]。这在处理序列数据时非常有用，特别是当你需要在多个时间步上使用层的输出时。
当return_sequences=False（默认值）时，只有序列中的最后一个时间步的输出会被返回，输出形状为[batch_size, output_dim]。
2.调参过程
尝试将RNN层分别增加到三层和四层，层数越多精确度越高，其中前n-1层都需要加参数return_sequences=True，意味着它的输出将保留整个序列的信息，可以被下一个RNN层使用，否则就会出现维度不匹配的情况，比如simple_rnn_2 层期望的输入数据维度是3（即，一个三维张量），但实际接收到的输入数据维度是2，就会出现报错。
也可尝试对全连接层的层数进行调整，也可对激活函数activation进行调整。但效果都不如调整RNN层数精确度高。
小记：
距离新疆之旅还有半个月，已经有点浮躁了，因为此次旅行有点不太一样，一家四口整整齐齐的分别从各自呆的城市“一起出发”，汇聚到同一趟车上，神奇吧！此行并不是突发奇想的说走就走的旅行，这个所谓的蓄谋已久持续了4年，多少还是有点期待的。那就在畅玩之前先整个“两周畅学卡”吧！
参考：
【循环神经网络】5分钟搞懂RNN，3D动画深入浅出
