RNN求解过程推导与实现

RNN
LSTM
BPTT
matlab code
opencv code

BPTT,Back Propagation Through Time.

首先来看看怎么处理RNN。

RNN展开网络如下图

RNN展开结构.jpg

RNN节点结构.jpg

现令第t时刻的输入表示为,隐层节点的输出为,输出层的预测值,输入到隐层的权重矩阵,隐层自循环的权重矩阵,隐层到输出层的权重矩阵,对应的偏执向量分别表示为,输入层的某一个节点使用i标识，如,类似的隐层和输出层某一节点表示为。这里我们仅以三层网络为例。

那么首先正向计算

其中分别表示激活前对应的加权和，表示激活函数。

然后看看误差如何传递。

假设真实的输出应该是,那么误差可以定义为,是训练样本的index。整个网络的误差

我们将RNN再放大一些，看看细节

RNN节点内部连接.jpg

令则

矩阵向量化表示

所以梯度为：

其中是点乘符号，即对应元素乘。

代码实现：

我们可以注意到在计算梯度时需要用到的之前计算过的量，即需要保存的量包括，前向计算时隐层节点和输出节点的输出值，以及由时刻累积的。

人人都能用Python写出LSTM-RNN的代码！[你的神经网络学习最佳起步]这篇文章里使用python实现了基本的RNN过程。代码功能是模拟二进制相加过程中的依次进位过程，代码很容易明白。

这里改写成matlab代码

  1. function error = binaryRNN( ) 
  2. largestNumber=256; 
  3. T=8; 
  4. dic=dec2bin(0:largestNumber-1)-'0';% 将uint8表示成二进制数组，这是一个查找表 
  5. %% 初始化参数 
  6. eta=0.1;% 学习步长 
  7. inputDim=2;% 输入维度 
  8. hiddenDim=16; %隐层节点个数 
  9. outputDim=1; % 输出层节点个数 
  11. W=rand(hiddenDim,outputDim)*2-1;% (-1,1)参数矩阵 
  12. U=rand(hiddenDim,hiddenDim)*2-1;% (-1,1)参数矩阵 
  13. V=rand(inputDim,hiddenDim)*2-1; % (-1,1)参数矩阵 
  15. delta_W=zeros(hiddenDim,outputDim); % 时刻间中间变量 
  16. delta_U=zeros(hiddenDim,hiddenDim); 
  17. delta_V=zeros(inputDim,hiddenDim); 
  18. error=0; 
  19. for p=1:10000 
  20. aInt=randi(largestNumber/2); 
  21. bInt=randi(largestNumber/2); 
  22. a=dic(aInt+1,:); 
  23. b=dic(bInt+1,:); 
  24. cInt=aInt+bInt; 
  25. c=dic(cInt+1,:); 
  26. y=zeros(1,T); 
  28. preh=zeros(1,hiddenDim); 
  29. hDic=zeros(T,hiddenDim); 
  30. %% 前向计算 
  31. for t=T:-1:1 % 注意应该从最低位计算，也就是二进制数组最右端开始计算 
  32. x=[a(t),b(t)];  
  33. h=sigmoid(x*V+preh*U); 
  34. y(t)=sigmoid(h*W);  
  35. hDic(t,:)=h; 
  36. preh=h; 
  37. end 
  39. err=y-c; 
  40. error=error+norm(err,2)/2; 
  41. next_delta_h=zeros(1,hiddenDim); 
  42. %% 反馈 
  43. for t=1:T 
  44. delta_y = err(t).*sigmoidOutput2d(y(t)); 
  45. delta_h=(delta_y*W'+next_delta_h*U').*sigmoidOutput2d(hDic(t,:)); 
  47. delta_W=delta_W+hDic(t,:)'*delta_y; 
  48. if t<T 
  49. delta_U=delta_U+hDic(t+1,:)'*delta_h; 
  50. end 
  51. delta_V=delta_V+[a(t),b(t)]'*delta_h; 
  52. next_delta_h=delta_h;  
  53. end 
  54. % 梯度下降  
  55. W=W-eta*delta_W; 
  56. U=U-eta*delta_U; 
  57. V=V-eta*delta_V; 
  59. delta_W=zeros(hiddenDim,outputDim); 
  60. delta_U=zeros(hiddenDim,hiddenDim); 
  61. delta_V=zeros(inputDim,hiddenDim); 
  63. if mod(p,1000)==0 
  64. fprintf('Samples:%d\n',p); 
  65. fprintf('True:%d\n',cInt); 
  66. fprintf('Predict:%d\n',bin2dec(int2str(round(y)))); 
  67. fprintf('Error:%f\n',norm(err,2)/2); 
  68. end 
  69. end 
  70. end 
  72. function sx=sigmoid(x) 
  73. sx=1./(1+exp(-x)); 
  74. end 
  76. function dx=sigmoidOutput2d(output) 
  77. dx=output.*(1-output); 
  78. end 

为了更深入理解RNN过程，这里我想用OpenCV和C++实现自己的RNN，简单的单隐层网络。同样类似的功能，模拟多个十进制数的加法进位过程。

  1. # include "highgui.h" 
  2. # include "cv.h" 
  3. # include <iostream> 
  4. #include "math.h" 
  5. #include<cstdlib> 
  6. using namespace std; 
  8. # define random(x) ((rand()*rand())%x) //生成0-x的随机数 
  10. void Display(CvMat* mat) 
  11. { 
  12. cout << setiosflags(ios::fixed); 
  13. for (int i = 0; i < mat->rows; i++) 
  14. { 
  15. for (int j = 0; j < mat->cols; j++) 
  16. cout << cvmGet(mat, i, j) << " "; 
  17. cout << endl; 
  18. } 
  20. } 
  23. // sigmoid 函数 
  24. float sigmoid(float x) 
  25. { 
  26. return 1 / (1 + exp(-x)); 
  27. } 
  28. CvMat* sigmoidM(CvMat* mat) 
  29. { 
  30. CvMat*mat2 = cvCloneMat(mat); 
  32. for (int i = 0; i < mat2->rows; i++) 
  33. { 
  34. for (int j = 0; j < mat2->cols; j++) 
  35. cvmSet(mat2, i, j, sigmoid(cvmGet(mat, i, j))); 
  36. } 
  37. return mat2; 
  38. } 
  39. //sigmoid 函数的导数 
  40. float diffSigmoid(float x) 
  41. { 
  42. //注意，这里的x已经是sigmoid的结果 
  43. return x*(1 - x); 
  44. } 
  45. CvMat* diffSigmoidM(CvMat* mat) 
  46. { 
  47. CvMat* mat2 = cvCloneMat(mat); 
  49. for (int i = 0; i < mat2->rows; i++) 
  50. { 
  51. for (int j = 0; j < mat2->cols; j++) 
  52. { 
  53. float t = cvmGet(mat, i, j); 
  54. cvmSet(mat2, i, j, t*(1 - t)); 
  55. } 
  57. } 
  58. return mat2; 
  60. } 
  63. /**************随机生成inputdim个整数，并求和****************** 
  64. * inputdim 整数的个数 
  65. * MAX 整数的最大范围 
  66. * Sample 存放整数 
  67. * 返回 整数和 
  68. **************************************************************/ 
  69. int sample(int inputdim, CvMat* Sample,int MAX) 
  70. { 
  71. int sum = 0; 
  72. for (int i = 0; i < inputdim; i++) 
  73. { 
  74. int t = random(MAX); 
  75. cvmSet(Sample, 0, i, t); 
  76. sum += cvmGet(Sample,0,i); 
  77. } 
  78. return sum; 
  79. } 
  80. /********将整数拆分成10以内的数，作为每个时刻的输入************* 
  81. * Sample 存放的整数 大小 1*inputdim 
  82. * 返回 拆分后的输入数据 大小 inputdim*9 
  83. ****************************************************************/ 
  84. CvMat* splitM( CvMat*Sample) 
  85. { 
  86. CvMat* mat = cvCreateMat(Sample->cols, 8, CV_32F); 
  87. cvSetZero(mat); 
  88. for (int i = 0; i < mat->rows; i++) 
  89. { 
  90. int x = cvmGet(Sample,0,i); 
  91. for (int j = 0; j < 8; ++j) 
  92. { 
  93. cvmSet(mat,i,j, x % 10); 
  94. x = x / 10; 
  95. } 
  96. } 
  97. return mat; 
  98. } 
  100. /***************将数字数组整合成一个整数****************************** 
  101. *mat 数字数组，即每个元素是十以内的整数，大小1*9 
  102. *返回 整合后的整数 
  103. *********************************************************************/ 
  104. int merge(CvMat* mat) 
  105. { 
  106. double d = 0; 
  107. for (int i = mat->cols; i >0; i--) 
  108. { 
  109. d = 10 * d + round(10*(cvmGet(mat,0,i-1))); 
  111. } 
  112. return int(d); 
  113. } 
  114. /*****************将输出的数值拆分************************************** 
  115. * y 输出的数值 
  116. * 返回 长度为9的数组,这里转换成了0，1之间的数 
  117. ***********************************************************************/ 
  118. CvMat* split(int y) 
  119. { 
  120. CvMat* mat = cvCreateMat(1, 8, CV_32F); 
  121. for (int i = 0; i < 8; i++) 
  122. { 
  123. cvmSet(mat,0,i, (y % 10) / 10.0); 
  124. y = y / 10; 
  125. } 
  126. return mat; 
  128. } 
  130. /**********************产生随机矩阵****************************** 
  131. * rows, cols, 矩阵的规模 
  132. * a, b, 区间 
  133. * 返回 返回[a,b]之间的随机矩阵 
  134. *****************************************************************/ 
  135. CvMat*randM(int rows,int cols, float a,float b) 
  136. { 
  137. CvMat* mat = cvCreateMat(rows, cols, CV_32FC1); 
  138. float* ptr; 
  139. for (int i = 0; i < mat->rows; i++) 
  140. { 
  141. for (int j = 0; j < mat->cols; j++) 
  142. { 
  143. cvmSet(mat, i, j, random(1000) / 1000.0*(b - a) + a); 
  144. } 
  145. } 
  146. return mat; 
  147. } 
  149. int main() 
  150. { 
  151. srand(time(NULL)); 
  152. //首先，先定义网络 
  153. int inputdim = 2;//不超过10 
  154. int hiddendim = 16; 
  155. int outputdim = 1; 
  156. float eta = 0.1; 
  157. int MAX = 100000000;//令整数最多八位 
  158. //初始化参数矩阵 
  159. CvMat* V = randM(inputdim, hiddendim,-1,1); 
  160. CvMat* U = randM(hiddendim, hiddendim, -1, 1); 
  161. CvMat* W = randM(hiddendim, outputdim, -1, 1); 
  162. CvMat* bh = randM(1, hiddendim, -1, 1); 
  163. CvMat* by = randM(1, outputdim, -1, 1);//偏置 
  165. CvMat*Sample = cvCreateMat(1, inputdim, CV_32F); 
  166. cvSetZero(Sample); 
  167. CvMat* delta_V = cvCloneMat(V); 
  168. CvMat* delta_U = cvCloneMat(U); 
  169. CvMat* delta_W = cvCloneMat(W); 
  170. CvMat* delta_by = cvCloneMat(by); 
  171. CvMat* delta_bh = cvCloneMat(bh); 
  173. //开始训练，训练集大小10000 
  174. for (int p = 0; p < 20000; p++) 
  175. { 
  176. int sum = sample(inputdim,Sample,MAX); 
  177. CvMat* sampleM = splitM(Sample);//每一行对应着一个整数的拆分，个位在前 
  178. CvMat* d = split(sum);//真实结果拆分，每位存放的是除以10后的小数 
  179. //正向计算 
  180. CvMat* pre_h = cvCreateMat(1, hiddendim, CV_32F); 
  181. cvSetZero(pre_h);//初始化最开始的h_{-1} 
  182. CvMat* y = cvCreateMat(1, 8, CV_32F); 
  183. cvSetZero(y);//定义输出量 
  184. CvMat* h = cvCreateMat(8, hiddendim, CV_32F);//每一行存储一个时刻的隐变量输出 
  186. CvMat* temp1 = cvCreateMat(1, hiddendim, CV_32F); 
  187. CvMat* temp2 = cvCreateMat(1, outputdim, CV_32F); 
  188. CvMat* xt = cvCreateMatHeader(inputdim, 1, CV_32S); 
  189. for (int t = 0; t < 8; t++) 
  190. { 
  191. cvGetCol(sampleM, xt, t);//获取第t时刻输入值 
  192. cvGEMM(xt, V, 1,bh, 1, temp1, CV_GEMM_A_T); 
  193. cvGEMM(pre_h, U, 1, temp1, 1, pre_h);// t时刻隐层输出 
  194. pre_h = sigmoidM(pre_h); 
  196. cvGEMM(pre_h, W, 1, by, 1, temp2); 
  197. float yvalue = sigmoid(cvmGet(temp2, 0, 0)); 
  198. cvmSet(y, 0, t, yvalue);//t时刻的输出 
  200. //保存隐层输出 
  201. for (int j = 0; j < hiddendim; j++) 
  202. { 
  203. cvmSet(h, t, j, cvmGet(pre_h, 0, j)); 
  204. } 
  205. } 
  206. cvReleaseMat(&temp1); 
  207. cvReleaseMat(&temp2); 
  209. //观察代码 
  210. int oy = merge(y); 
  211. CvMat* temp = cvCreateMat(1, 8, CV_32F); 
  212. cvSub(y, d, temp); 
  213. double error = 0.5*cvDotProduct(temp, temp); 
  214. if ((p+1)%1000==0) 
  215. { 
  216. cout << "************************第" << p + 1 << "个样本***********" << endl; 
  217. cout << "真实值:" << sum%MAX << endl; 
  218. cout << "预测值:" << oy << endl; 
  219. cout << "误差：" << error << endl; 
  220. } 
  221. //反向传递误差 
  222. cvSetZero(delta_V); 
  223. cvSetZero(delta_U); 
  224. cvSetZero(delta_W); 
  225. cvSetZero(delta_bh); 
  226. cvSetZero(delta_by); 
  228. CvMat* delta_h = cvCreateMat(1, hiddendim, CV_32F); 
  229. cvSetZero(delta_h); 
  230. CvMat* delta_y = cvCreateMat(1, outputdim, CV_32F); 
  231. cvSetZero(delta_y); 
  232. CvMat* next_delta_h = cvCreateMat(1, hiddendim, CV_32F); 
  233. cvSetZero(next_delta_h); 
  235. for (int t = 7; t > 0; t--) 
  236. { 
  237. cvmSet(delta_y, 0, 0, (cvmGet(y, 0, t) - cvmGet(d, 0, t))*diffSigmoid(cvmGet(y, 0, t))); 
  238. cvGEMM(delta_y, W, 1, delta_h, 0, delta_h, CV_GEMM_B_T); 
  239. cvGEMM(next_delta_h, U, 1, delta_h, 1, delta_h, CV_GEMM_B_T); 
  240. cvMul(delta_h, diffSigmoidM(cvGetRow(h, temp, t)), delta_h); 
  241. //更新delta_y,delta_h 
  242. cvGEMM(cvGetRow(h, temp, t), delta_y, 1, delta_W, 1, delta_W, CV_GEMM_A_T); 
  243. if (t>0) 
  244. cvGEMM(cvGetRow(h, temp, t - 1), delta_h, 1, delta_U, 1, delta_U, CV_GEMM_A_T); 
  245. cvGetCol(sampleM, xt, t); 
  246. cvGEMM(xt, delta_h, 1, delta_V, 1, delta_V); 
  247. cvAddWeighted(delta_by, 1, delta_y, 1, 0, delta_by); 
  248. cvAddWeighted(delta_bh, 1, delta_h, 1, 0, delta_bh); 
  250. cvAddWeighted(delta_h, 1, next_delta_h, 0, 0, next_delta_h); 
  252. } 
  253. cvAddWeighted(W, 1, delta_W, -eta, 0, W); 
  254. cvAddWeighted(V, 1, delta_V, -eta, 0, V); 
  255. cvAddWeighted(U, 1, delta_U, -eta, 0, U); 
  257. cvAddWeighted(by, 1, delta_by, -eta, 0, by); 
  258. cvAddWeighted(bh, 1, delta_bh, -eta, 0, bh); 
  260. cvReleaseMat(&sampleM); 
  261. cvReleaseMat(&d); 
  262. cvReleaseMat(&pre_h); 
  263. cvReleaseMat(&y); 
  264. cvReleaseMat(&h); 
  265. cvReleaseMat(&delta_h); 
  266. cvReleaseMat(&delta_y); 
  267. } 
  268. cvReleaseMat(&U); 
  269. cvReleaseMat(&V); 
  270. cvReleaseMat(&W); 
  271. cvReleaseMat(&by); 
  272. cvReleaseMat(&bh); 
  273. cvReleaseMat(&Sample); 
  274. cvReleaseMat(&delta_V); 
  275. cvReleaseMat(&delta_U); 
  276. cvReleaseMat(&delta_W); 
  277. cvReleaseMat(&delta_by); 
  278. cvReleaseMat(&delta_bh); 
  279. system("PAUSE"); 
  280. return 0; 
  281. } 

下面是代码结果，并没有完全一致。分析下主要原因可能是由于输出层是(0,1)的小数，但我们希望得到的是[0,10]的整数，而通过round或者强制类型转换总会带来较大误差，所以会出现预测值和真实值差别很大，这时候其实比较值的差异意义不大，应该对比每一位上数字的差异。

1479024804302.jpg

再下面是3个输入，32个隐层节点的结果

1479024912622.jpg

PS. 作为opencv新手，觉得matlab半小时搞定的东西，opencv要捣鼓两个小时。。。

RNN求解过程推导与实现的更多相关文章

  1. h.264 mvp求解过程

    h.264标准中由于分为宏块分割块(8x8),子宏块分割块(4x4),所以各种各样的求解过程比较繁琐 下面整理出标准中mvp的求解过程 8.4.1.3 已知条件有当前块的属性:位置.块类型需要得到当前 ...

  2. 深度学习（二）BP求解过程和梯度下降

    一.原理 重点:明白偏导数含义,是该函数在该点的切线,就是变化率,一定要理解变化率. 1)什么是梯度 梯度本意是一个向量(矢量),当某一函数在某点处沿着该方向的方向导数取得该点处的最大值,即函数在该点 ...

  3. 一种3位sar adc工作过程推导（二）

    3位sar adc采用下图的电容阵列,需要23个电容,它的基本单元有二进制加权的电容阵列.1个与LSB电容等值的电容:它利用电容上的初始电荷再分配完成二进制搜索算法,因此功耗一般比较小,而且不需要额外 ...

  4. TSP旅行商问题的Hopfield求解过程

      连续型Hopfield在matlab中没有直接的工具箱,所以我们们根据Hopfield给出的连续行算法自行编写程序.本文中,以求解旅行商 问题来建立Hopfield网络,并得到解,但是该解不一定是 ...

  5. 推荐系统 BPR 算法求解过程

    数据假设: 每个用户之间的偏好行为相互独立 同一用户对不同物品的偏序相互独立 则优化问题为极大化如下目标: [Reference] 1.论文翻译:BPR:面向隐偏好数据的贝叶斯个性化排序学习模型 2. ...

  6. RNN推导

    http://www.cnblogs.com/YiXiaoZhou/p/6058890.html RNN求解过程推导与实现 RNN LSTM BPTT matlab code opencv code ...

  7. EM算法求高斯混合模型參数预计——Python实现

    EM算法一般表述:       当有部分数据缺失或者无法观察到时,EM算法提供了一个高效的迭代程序用来计算这些数据的最大似然预计.在每一步迭代分为两个步骤:期望(Expectation)步骤和最大化( ...

  8. Logistic回归计算过程的推导

    https://blog.csdn.net/ligang_csdn/article/details/53838743 https://blog.csdn.net/weixin_30014549/art ...

  9. 坐标下降法（coordinate descent method）求解LASSO的推导

    坐标下降法(coordinate descent method)求解LASSO推导 LASSO在尖点是singular的,因此传统的梯度下降法.牛顿法等无法使用.常用的求解算法有最小角回归法.coor ...

随机推荐

  1. JavaScript生成新标签的三个方法（摘抄自留）

    <div id="d1"></div> <script> //HTML function a(){ document.getElementByI ...

  2. tail命令详解

    搜索 纠正错误  添加实例 tail 在屏幕上显示指定文件的末尾若干行 补充说明 tail命令 用于输入文件中的尾部内容.tail命令默认在屏幕上显示指定文件的末尾10行.如果给定的文件不止一个,则在 ...

  3. bzoj2928: [Poi1999]飞弹

    惨啊…… 被卡常是一种什么感受&…… 很明显的分治. 我们首先可以找到所有点中的最低点,然后对所有点进行一次极角排序,选取一个点使得他各侧飞弹和地堡一样多,并对两侧继续进行分治. 很容易证明这 ...

  4. Ubuntu Server 14.04 --secure-file-priv error in MySql 解决方案

    在VPS部署Ubuntu 14.04服务器时,MySQL执行导出文件命令,报错: The MySQL server is running with the --secure-file-priv opt ...

  5. Windows Server 2008 双网卡同时上内外网 不能正常使用

    Windows server 2008 32位下,双网卡同时上内外网,并提供VPN服务,遇见的奇怪问题 1.服务器配置 2.网络配置 以太网适配器 内部连接: 连接特定的 DNS 后缀 . . . . ...

  6. 应用商店后台MIS的一些思考

    1.有些签名验证的工作应该在开发者上传APP的时候进行校验: 1)如果是更新新版本(包名packagename一致),那么需要验证两个APK的包的签名是否一致,不一致的,应该限制上传,除非先下架旧的A ...

  7. SQL(横表和纵表)行列转换，PIVOT与UNPIVOT的区别和使用方法举例，合并列的例子

    使用过SQL Server 2000的人都知道,要想实现行列转换,必须综合利用聚合函数和动态SQL,具体实现起来需要一定的技巧,而在SQL Server 2005中,使用新引进的关键字PIVOT/UN ...

  8. 显示或隐藏div

    代码来源于博客,如有侵权,请联系我! ASP.NET中TextBox控件设置ReadOnly="true"H或Enabled=false后台取不到值 当TextBox设置了Read ...

  9. PHP预定义接口之 ArrayAccess

    最近这段时间回家过年了,博客也没有更新,感觉少学习了好多东西,也错失了好多的学习机会,就像大家在春节抢红包时常说的一句话:一不留神错过了好几亿.废话少说,这篇博客给大家说说关于PHP预定义接口中常用到 ...

  10. ShareSDK分享失败的原因

    关于分享估计很多都用的是ShareSDK的社会化分享,简单方便,支持的种类很多,但是一般的话都还是QQ,微信,新浪微博,腾讯微博为主. 最近需要导入一个分享的模块,失败了几次之后最终成功,分享给大家, ...