Theano：LSTM源码解析

最难读的Theano代码

这份LSTM代码的作者，感觉和前面Tutorial代码作者不是同一个人。对于Theano、Python的手法使用得非常娴熟。

尤其是在两重并行设计上：

①LSTM各个门之间并行

②Mini-batch让多个句子并行

同时，在训练、预处理上使用了诸多技巧，相比之前的Tutorial，更接近一个完整的框架，所以导致代码阅读十分困难。

本文旨在梳理这份LSTM代码的脉络。

数据集：IMDB Large Movie Review Dataset

来源

该数据集是来自Stanford的一个爬虫数据集。

对IMDB每部电影的评论页面的每条评论进行爬虫，分为正面/负面两类情感标签。

相比于朴素贝叶斯用于垃圾邮件分类，显然，分析一段文字的情感难度比较大。

因为语义在各个词之间连锁着，有些喜欢玩梗的负面讽刺语义需要一个强力的Represention Extractor。

该数据集同时也在CS224D：Deep Learning for NLP    [Leture4]中演示，用于体现Pre-Training过后的词向量威力。

数据读取

原始数据集被Bengio组封装过，链接 http://www.iro.umontreal.ca/~lisa/deep/data/imdb.pkl

cPickle封装的格式如下：

train_set[0]  ---->  一个包含所有句子的二重列表，列表的每个元素也为一个列表，内容为：

[词索引1，词索引2，.....，词索引n]，构成一个句子。熟悉文本数据的应该很清楚。

词索引之前建立了一个词库，实际使用的时候如果要对照索引，获取真实的词，则需要词库：~Link~

train_set[0][n]指的是第n个句子。

————————————————————————————————————————————

train_set[1]  ---->  一个一重列表，每个元素为每个句子的情感标签，0/1。

test_set格式相同。

————————————————————————————————————————————

本Tutorial使用的一些简单处理包括：maxLen句子词数剪枝、词库越界词剪枝、句子词数排序(不知道啥作用)

数据变形与预处理

这份代码的经典之处在于，让多个句子并行训练，构成一个mini-batch。

在RNN章节中，每次训练只是一个句子，所以输入就是一个向量，但mini-batch之后就是一个矩阵。

这个矩阵最大不同在于，xy轴是倒置的，文字方向在竖式伸展。

这么做的原因是由于theano.tensor.scan函数的工作机制。

scan函数的一旦sequence不为空，就进入序列循环模式，设sequence=[x]，则

①Step1：取x[0]作为循环函数第一参数

②Step2：取x[1]作为循环函数第一参数

........

③StepN: 取x[N]作为循环函数第一参数

对应语言模型的序列学习算法，每个Step就相当于取一个句子的一个词。

竖式伸展，每次scan取的一排词，称为examples，数量等于batch_size。

横向batch并行，纵向序列时序伸展，这是mini-batch和序列学习的共同作用结果。

——————————————————————————————————————————

每个句子长度是不同的，为了便于并行矩阵计算，必须选定最长句子，最大化矩阵。句子词较少的，用0填充。

而在实际LSTM计算中，这个0填充则成了麻烦，因为你不能让标记为0的Padding参与递归网络计算，需要剔除。

这时候就需要Mask矩阵。来看LSTM.py中的实际代码:

$c = m\_[:, None] * c + (1. - m\_)[:, None] * c\_$

由于mask矩阵也在sequence中，所以m_被降成了1D，通过Numpy的第二维None扩充，可以和c（[batch_size,dim_proj])

进行点乘(不是矩阵乘法)。

Mask矩阵的作用就是对于Padding，通过递推，直接滚到到上一个非0的状态，而不引入Padding。

源码解析

def get_minibatches_idx(n, minibatch_size, shuffle=False)

这部分设计对数据(句子)Shuffle随机排列。首先获取数据集所有句子数n，

对所有句子，按照batch_size，划分出 (n//batch_size)+1个列表。

拼在一起，构成一个二重列表。

返回一个zip(batch索引，batch内容)，用于运行。

每份batch是一个列表，包含句子的索引。后续会根据句子的索引，拼出一个小量的x，

进过prepare_data处理过之后，方能使用。

def dropout_layer(state_before, use_noise, trng)

50%的Dropout，开了之后千万不要加Weght_Decay，两种一叠加，惩罚太重了。

Dropout的实现，利用了Tensor.switch(Bool,Ture Operation,False Operation)来动态实现。

传入的use_noise，在训练时置为1，这时候Dropout为动态概率屏蔽。

反之在测试时，置为0，这时候Dropout为平均网络。

具体原理见Hinton关于Dropout的论文：

Dropout: A Simple Way to Prevent Neural Networks from Overfitting

def init_params(options)

这部分主要是初始化全部参数。分为两个部分：

①初始化Embedding参数、Softmax输出层参数

②初始化LSTM参数，在下面的 def param_init_lstm()函数中。

①中参数莫名其妙使用了[0,0.01]的随机值初始化，不知道为什么不用负值。

像Word2Vec的初始化，可能更好些：

$ Init \, \sim \, Rand(\frac{-0.5}{Emb\_Dim},\frac{0.5}{Emb\_Dim}) $

Emb大小为$[VocabSize，Emb\_Dim]$，Softmax参数大小为$[Emb\_Dim，2]$

def param_init_lstm(options, params, prefix='lstm')

这部分用于初始化LSTM参数，W阵、U阵。

LSTM的初始化值很特殊，先用[0,1]随机数生成矩阵，然后对随机矩阵进行SVD奇异值分解。

取正交基矩阵来初始化，即 ortho_weight，原理不明，没有找到相关文献。

————————————————————————————————————————

值得注意的就是numpy.concatenate函数的使用，它锁定了AXIS=1轴(横向，列，第二维)

将Input、Forget、Output三态门与Cell的RNN核的相同操作$Wx+Uh^{'}$合并，并行计算。

如果$x$是$[1000,100]$，即$dim\_proj=100$, 那么$W$大小是$[100,100*4]$。

一次计算，有$Wx$的大小是$[1000,400]$，四个部分在矩阵中被并行计算了。

矩阵计算和FOR循环在串行算法下速度是差不多的，但是在并行算法下，矩阵同时计算比先后串行计算快不少。

def init_tparams(params)

这个函数意义就是一键将Numpy标准的params全部转为Theano.shared标准。

替代大量的Theano.shared(......)

启用tparams作为Model的正式params，而原来的params废弃。

def lstm_layer(tparams, state_below, options, prefix='lstm', mask=None)

LSTM的计算核心。

首先得注意参数state_below，这是个3D矩阵，$[n\_Step，BatchSize，Emb\_Dim]$

在scan函数的Sequence里，每步循环，都会降解第一维n_Step，得到一个Emb矩阵，作为输入$X\_$

计算过程：

①用 $[state\_below] \cdot [lstm\_W]$。

这步很奇妙，这是一个3D矩阵与2D矩阵的乘法，由于每个Step，都需要做$Wx$

所以无须每一个Step做一次$Wx$，而是把所有Step的$Wx$预计算好了，并行量很大。

②进入scan函数过程，每一个Step：

I、将前一时序$h'$与4倍化$U$阵并行计算，并加上4倍化$Wx$的预计算

II、分离计算，按照LSTM结构定义，分别计算$Input Gate$、$Forget Gate$、$Outout Gate$

$\tilde{Cell}$、$Cell$、$h$

③返回rval[0]，即h矩阵。注意，scan函数的输出结果会增加1D。

每个Step里，h结果是一个2D矩阵，$[BatchSize，Emb\_Dim]$

而rval[0]是一个3D矩阵，$[n\_Step，BatchSize，Emb\_Dim]$。

后续会对第一维$n\_Step$进行Mean Pooling，之后才能降解成用于Softmax的2D输入。

def sgd|adadelta|rmsprop(lr, tparams, grads, x, mask, y, cost)

这是三个可选梯度更新算法。由于作者想要保持格式一致，所以AdaDelta和RMSProp写的有点啰嗦。

AdaDelta详见我的 自适应学习率调整：AdaDelta

至于Hinton在2014 Winter的公开课提出的RMSProp，没有找到具体的数学推导，不好解释。

应该是由AdaDelta改良过来的，代码很费解。由可视化结果来看，RMSProp在某些特殊情况下，比AdaDelta要稳定。

官方代码里默认用的是AdaDelta，毕竟有Matthew D. Zeiler的论文详细推导与说明。

AdaDelta和RMSProp都是模拟二阶梯度更新，所以可以和Learning Rate这个恶心的超参说Bye~Bye了。值得把玩。

def build_model(tparams, options)

该部分是联合LSTM和Softmax，构成完整Theano.function的重要部分。

①首先是定义几个Tensor量，$x$、$y$、$mask$。

②接着，从tparams['Wemb']中取出Words*Sentences数量的词向量，并且变形为3D矩阵。

x.flatten()的使用非常巧妙，它将词矩阵拆成1D列表，然后按顺序取出词向量，然后再按顺序变形成3D形态。

体现了Python和Numpy的强大之处。

③得到3D的输入state_below之后，配合mask，经过LSTM，得到一个3D的h矩阵proj。

④对3D的h矩阵，各个时序进行Mean Pooling，得到2D矩阵，有点像Dropout的平均网络。

⑤Dropout处理

⑥Softmax、构建prob、pred、cost，都是老面孔了。

特别的是，这里有一个offset，防止prob爆0，造成log溢出。碰到这种情况可能不大。

def pred_probs|pred_error()

用于Cross-Validation计算Print信息。也就是Debug Mode...

def train_lstm()

训练过程。Theano代码块中最冗长、最臃肿的部分。

①options=locals().copy()是python中的一个小trick。

它能将函数中所有参数按爬虫下来，保存为一个词典，方便访问。

②load_data。定义在imdb.py中，获取train、vaild、test三个数据集

让人费解的是，既然这里要对test做shuffle，又何必在load_data里把test排序呢？

③初始化params，并且build_model，返回theano.function的pred、prob、cost。

④WeightDecay。有Dropout之后，必要性不大。

⑤利用cost，得到grad。利用tparams、grad，得到theano.function的update。

这里代码很啰嗦，如cost完全没有必要通过theano.function转化出来，保持Tensor状态是可以带入T.grad

而前面就没有这么写。代码风格和前面的章节截然不同。

至此，准备工作完毕，进入mini-batch执行阶段。

——————————————————————————————————————————————

①首先获取vaild和test的zip化minibatch。

每轮zip返回一个二元组(batch_idx,batch_content_list)，idx实际并不用。

list是指当前batch中所有句子的idx。然后，对这些离散的idx，拼出实际的1D$x$。

经过imdb.py下的prepare_data，得到2D的$x$，作为Word Embedding的预备输入。

②进入max_epochs循环阶段：

包括early stopping优化，这部分与之前章节大致相同。

——————————————————————————————————————————————

至此，这份源码算是解析完了。