AlexeyAB DarkNet YOLOv3框架解析与应用实践（五）

AlexeyAB DarkNet YOLOv3框架解析与应用实践（五）

RNNs in Darknet

递归神经网络是表示随时间变化的数据的强大模型。为了更好地介绍RNNs，我强烈推荐Andrej Karpathy去年的博客文章，这是实现RNNs的一个很好的资源！

所有这些模型都使用相同的网络架构，一个包含3个递归模块的普通RNN。

每个模块由3个完全连接的层组成。输入层将信息从输入传播到当前状态。递归层通过时间将信息从上一个状态传播到当前状态。由于我们希望输入层和递归层都影响当前状态，所以我们将它们的输出相加以得到当前状态。最后，输出层将当前状态映射到RNN模块的输出。              网络的输入是一个1-hot编码的ASCII字符。我们训练网络预测字符流中的下一个字符。输出被限制为使用softmax层的概率分布。

由于每个递归层都包含有关当前字符和过去字符的信息，因此它可以使用此上下文来预测单词或短语中的未来字符。随着时间的推移，训练的内容如下：

尽管一次只能预测一个字符，但这些网络可以非常强大。在测试时，我们可以评估给定句子的可能性，也可以让网络自己生成文本！

要生成文本，首先我们通过输入某些字符（如换行符“\n”）或一组字符（如句子）来建立网络。然后，我们将网络输出的最后一个字符作为输入反馈到网络中。由于网络的输出是下一个字符的概率分布，我们可以从给定的分布中提取最可能的字符或样本，但采样往往会产生更有趣的结果。

用Darknet生成文本

首先你应该安装Darknet。因为您不需要CUDA或OpenCV，所以这就像克隆GitHub存储库一样简单：

git clone https://github.com/pjreddie/darknet

cd darknet

make

选择要使用的权重文件后，可以使用以下命令生成文本：

./darknet rnn generate cfg/rnn.cfg <weights>

也可以将各种标志传递给此命令：

-len<int>：更改生成文本的长度，默认为1000

-seed<string>：用给定的字符串为RNN设定种子，默认为“\n”

-srand<int>：为可重复运行的随机数生成器设置种子

-temp<float>：设置采样温度，默认为0.7

要生成此文本，必须下载此权重文件：grrm.weights（36 MB）。然后运行以下命令：

./darknet rnn generate cfg/rnn.cfg grrm.weights -srand 0 -seed JON

您可以更改srand或seed以生成不同的文本，所以请使用wild！我真的希望我不会因此被起诉。。。

OS X上的随机数生成器与Linux上的不同，因此如果运行相同的命令，则会得到不同的输出。

我不打算发布这个模型，但你可以下载自己的松弛日志，并在上面训练一个模型！怎么，你问？继续读。。。。

训练自己的模型

你也可以在新的文本数据上训练自己的模型！训练配置文件是cfg/rnn.train.cfg。训练所需的只是一个文本文件，其中包含所有ASCII格式的数据。然后运行以下命令：

./darknet rnn train cfg/rnn.train.cfg -file data.txt

模型会将定期备份保存到函数train_char_rnn中src/rnn.c中指定的目录，您可能希望将此目录更改为适合您的计算机的位置。要从备份重新开始训练，您可以运行：

./darknet rnn train cfg/rnn.train.cfg backup/rnn.train.backup -file data.txt

如果你想在大量数据上训练大型模型，你可能需要在一个快速的GPU上运行它。你可以在CPU上训练它，但可能需要一段时间，你已经被警告了！