python神经网络Keras实现GRU及其参数量
什么是GRU
GRU是LSTM的一个变种。
传承了LSTM的门结构，但是将LSTM的三个门转化成两个门，分别是更新门和重置门。
1、GRU单元的输入与输出
下图是每个GRU单元的结构。
在n时刻，每个GRU单元的输入有两个：
- 当前时刻网络的输入值Xt；
- 上一时刻GRU的输出值ht-1；
输出有一个：
当前时刻GRU输出值ht；
2、GRU的门结构
GRU含有两个门结构，分别是：
更新门zt和重置门rt：
更新门用于控制前一时刻的状态信息被代入到当前状态的程度，更新门的值越大说明前一时刻的状态信息带入越少，这一时刻的状态信息带入越多。
重置门用于控制忽略前一时刻的状态信息的程度，重置门的值越小说明忽略得越多。
3、GRU的参数量计算
a、更新门
更新门在图中的标号为zt，需要结合ht-1和Xt来决定上一时刻的输出ht-1有多少得到保留，更新门的值越大说明前一时刻的状态信息保留越少，这一时刻的状态信息保留越多。
结合公式我们可以知道：
zt由ht-1和Xt来决定。
当更新门zt的值较大的时候，上一时刻的输出ht-1保留较少，而这一时刻的状态信息保留较多。
b、重置门
重置门在图中的标号为rt，需要结合ht-1和Xt来控制忽略前一时刻的状态信息的程度，重置门的值越小说明忽略得越多。
结合公式我们可以知道：
rt由ht-1和Xt来决定。
当重置门rt的值较小的时候，上一时刻的输出ht-1保留较少，说明忽略得越多。
c、全部参数量
所以所有的门总参数量为：
在Keras中实现GRU
GRU一般需要输入两个参数。
一个是unit、一个是input_shape。
LSTM(CELL_SIZE, input_shape = (TIME_STEPS,INPUT_SIZE))
unit用于指定神经元的数量。
input_shape用于指定输入的shape，分别指定TIME_STEPS和INPUT_SIZE。
实现代码
import numpy as np
from keras.models import Sequential
from keras.layers import Input,Activation,Dense
from keras.models import Model
from keras.datasets import mnist
from keras.layers.recurrent import GRU
from keras.utils import np_utils
from keras.optimizers import Adam
TIME_STEPS = 28
INPUT_SIZE = 28
BATCH_SIZE = 50
index_start = 0
OUTPUT_SIZE = 10
CELL_SIZE = 75
LR = 1e-3
(X_train,Y_train),(X_test,Y_test) = mnist.load_data()
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)
inputs = Input(shape=[TIME_STEPS,INPUT_SIZE])
x = GRU(CELL_SIZE, input_shape = (TIME_STEPS,INPUT_SIZE))(inputs)
x = Dense(OUTPUT_SIZE)(x)
x = Activation("softmax")(x)
model = Model(inputs,x)
adam = Adam(LR)
model.summary()
model.compile(loss = 'categorical_crossentropy',optimizer = adam,metrics = ['accuracy'])
for i in range(50000):
X_batch = X_train[index_start:index_start + BATCH_SIZE,:,:]
Y_batch = Y_train[index_start:index_start + BATCH_SIZE,:]
index_start += BATCH_SIZE
cost = model.train_on_batch(X_batch,Y_batch)
if index_start >= X_train.shape[0]:
index_start = 0
if i%100 == 0:
cost,accuracy = model.evaluate(X_test,Y_test,batch_size=50)
print("accuracy:",accuracy)
实现效果：
10000/10000 [==============================] - 2s 231us/step accuracy: 0.16749999986961484 10000/10000 [==============================] - 2s 206us/step accuracy: 0.6134000015258789 10000/10000 [==============================] - 2s 214us/step accuracy: 0.7058000019192696 10000/10000 [==============================] - 2s 209us/step accuracy: 0.797899999320507
栏 目：Python代码
下一篇：python利用多线程+队列技术爬取中介网互联网网站排行榜
本文标题：python神经网络Keras实现GRU及其参数量
本文地址：http://www.codeinn.net/misctech/225717.html
