Day 14：循環神經網路(Recurrent Neural Network, RNN) - iT 邦幫忙::一起幫忙解決難題，拯救 IT 人的一天

Mục Lục

前言

上一篇我們對『自然語言處理』(Natural Language Processing, NLP)有一個初步的認識，現在，我們再進一步認識，如何以 Neural Network 處理語言的辨識。

循環神經網路(Recurrent Neural Network, RNN)

語言通常要考慮前言後語，以免斷章取義，也就是說，建立語言的相關模型，如果能額外考慮上下文的關係，準確率就會顯著提高，因此，學者提出『循環神經網路』(Recurrent Neural Network, RNN)演算法，它是『自然語言處理』領域最常使用的 Neural Network 模型，簡單的RNN模型(Vanilla RNN)額外考慮前文的關係，把簡單迴歸的模型 (y=W*x+b) ，改為下列公式，其中h就是預測值(y)，同樣，將它加一個 Activation Function(通常使用 tanh)，就變成第二個公式：

模型如下圖：

圖. RNN 模型，圖片來源 Ashing’s Blog_ 深度學習(3)–循環神經網絡(RNN, Recurrent Neural Networks)

也就是說，當前 output 不只受上一層輸入的影響，也受到同一層前一個 output 的影響(即前文)，類似統計學的『時間數列』(Time Series)，這個假設很合理，例如下面這兩個句子：

我不吃辣，所以，我點『蝦仁豆腐』
我吃辣，所以，我點『麻婆豆腐』

在分析『我點』的下一個詞時，若不考慮上下文，『蝦仁豆腐』、『麻婆豆腐』的機率是相等的，反之，考慮『我吃辣』，選『麻婆豆腐』的機率應該就會大於『蝦仁豆腐』。

另外，上述公式中的 W、U、V 都是權重，對應不同的輸入來源，與CNN一樣，基於『權重共享』(Shared Weights)或稱『參數共享』(Parameter Sharing)的假設，W、U、V 對每一點推導都共用，即使用相同的值，以簡化計算，之後同樣依據梯度下降法優化求解，這個模型就可以運作了。

另外，依據 input 及 output 的數目，RNN 可以有很多的變化與應用：

一對一(one to one)：固定長度的輸入(input)及輸出(output)，即一般的 Neural Network 模型。
一對多(one to many)：單一輸入、多個輸出，例如影像標題(Image Captioning)，輸入一個影像，希望偵測影像內多個物體，並一一給予標題，這稱之為『Sequence output』。
多對一(many to one)：多個輸入、單一輸出，例如情緒分析(Sentiment Analysis)，輸入一大段話，判斷這段話是正面或負面的情緒表達，這稱之為『Sequence input』。
多對多(many to many)：多個輸入、多個輸出，例如語言翻譯(Machine Translation)，輸入一段英文句子，翻譯成中文，這稱之為『Sequence input and sequence output 』。
另一種多對多(many to many)：『同步』(Synchronize)的多個輸入、多個輸出，例如視訊分類(Video Classification)，輸入一段影片，希望為每一幀(Frame)產生一個標題，這稱之為『Synced sequence input and output』。

圖. RNN 模型，圖片來源 The Unreasonable Effectiveness of Recurrent Neural Networks

實作

為了先熟悉RNN的運作，我們還是用『阿拉伯數字辨識』來說明RNN函數，程式範例來自莫烦Python，同樣，把部分參數固定(Hard code)並加了一些註解，也可自這裡下載，檔名為RNN.py。

# 導入函式庫
import numpy as np
from keras.datasets import mnist
from keras.utils import np_utils
from keras.models import Sequential
from keras.layers import SimpleRNN, Activation, Dense
from keras.optimizers import Adam

# 固定亂數種子，使每次執行產生的亂數都一樣
np.random.seed(1337)


# 載入 MNIST 資料庫的訓練資料，並自動分為『訓練組』及『測試組』
(X_train, y_train), (X_test, y_test) = mnist.load_data()

# 將 training 的 input 資料轉為3維，並 normalize 把顏色控制在 0 ~ 1 之間
X_train = X_train.reshape(-1, 28, 28) / 255.      
X_test = X_test.reshape(-1, 28, 28) / 255.
y_train = np_utils.to_categorical(y_train, num_classes=10)
y_test = np_utils.to_categorical(y_test, num_classes=10)


# 建立簡單的線性執行的模型
model = Sequential()
# 加 RNN 隱藏層(hidden layer)
model.add(SimpleRNN(
    # 如果後端使用tensorflow，batch_input_shape 的 batch_size 需設為 None.
    # 否則執行 model.evaluate() 會有錯誤產生.
    batch_input_shape=(None, 28, 28), 
    units= 50,
    unroll=True,
)) 
# 加 output 層
model.add(Dense(units=10, kernel_initializer='normal', activation='softmax'))

# 編譯: 選擇損失函數、優化方法及成效衡量方式
model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy']) 

# 一批訓練多少張圖片
BATCH_SIZE = 50     
BATCH_INDEX = 0     
# 訓練模型 4001 次
for step in range(1, 4001):
    # data shape = (batch_num, steps, inputs/outputs)
    X_batch = X_train[BATCH_INDEX: BATCH_INDEX+BATCH_SIZE, :, :]
    Y_batch = y_train[BATCH_INDEX: BATCH_INDEX+BATCH_SIZE, :]
    # 逐批訓練
    loss = model.train_on_batch(X_batch, Y_batch)
    BATCH_INDEX += BATCH_SIZE
    BATCH_INDEX = 0 if BATCH_INDEX >= X_train.shape[0] else BATCH_INDEX

    # 每 500 批，顯示測試的準確率
    if step % 500 == 0:
        # 模型評估
        loss, accuracy = model.evaluate(X_test, y_test, batch_size=y_test.shape[0], 
            verbose=False)
        print("test loss: {}  test accuracy: {}".format(loss,accuracy))
        

# 預測(prediction)
X = X_test[0:10,:]
predictions = model.predict_classes(X)
# get prediction result
print(predictions)

# 模型結構存檔
from keras.models import model_from_json
json_string = model.to_json()
with open("SimpleRNN.config", "w") as text_file:
    text_file.write(json_string)
    
# 模型訓練結果存檔
model.save_weights("SimpleRNN.weight")

程式執行

在DOS下，執行下列指令：
python RNN.py

程式說明

程式架構與之前程式大致相同，最大差別是隱藏層是採用 SimpleRNN，它的準確率達93%，因為，它額外考慮前面的像素關係，準確率自然比單純的 Neural Network 高一些，表示RNN確實有效果，另外，還有幾點要注意：

如果使用 Sequential 模型，且設定 batch_input_shape 維度，表示當批的output作為下一批的樣本初始狀態( initial states for the samples in the next batch)，稱之為『stateful』。
如果要在後續的隱藏層要重置狀態(state)，可呼叫.reset_states()。
RNN 會考慮同一層前面的輸出，當參數 unroll=True 時，表示計算時會先展開結構，如下圖一，它會使用較多的記憶體，但會縮短計算時間，反之 unroll=False，如下圖二。

圖一. unroll=True，計算時會先展開結構，圖片來源 Ashing’s Blog_ 深度學習(3)–循環神經網絡(RNN, Recurrent Neural Networks)

圖二. unroll=False，計算時不會先展開結構，資料來源：A Gentle Introduction to RNN Unrolling

眼尖的讀者可能會發覺，我們不是說過『要考慮前言後語，以免斷章取義』，而RNN只考慮前面的資料，沒有考慮後面的資料啊，是的，所以，另外有學者提出『雙向』(Bidirectional) RNN，見下圖，就是再加一層由後向前推估的模型，兩者綜合，即為雙向，Keras提供 Bidirectional() 函數實現此一功能，如下：
model.add(Bidirectional(SimpleRNN(10)))

圖. 『雙向』(Bidirectional) RNN，資料來源：Recurrent Neural Networks (UPC 2016)