递归神经网络是一种面向深度学习的算法，遵循顺序方法.在神经网络中，我们总是假设每个输入和输出都独立于所有其他层.这些类型的神经网络称为循环，因为它们以顺序方式执行数学计算.
考虑以下步骤来训练一个递归神经网络 :
第1步 : 从数据集输入一个特定的例子.
第2步 : 网络将采用一个例子，并使用随机初始化的变量计算一些计算.
步骤3 : 然后计算预测结果.
步骤4 : 生成的实际结果与预期值的比较将产生错误.
步骤5 : 为了追踪错误，它会通过同样的路径传播，其中变量也会被调整.
步骤6 : 重复从1到5的步骤，直到我们确信正确定义了声明获得输出的变量.
步骤7 : 通过应用这些变量来获得新的看不见的输入进行系统预测.
表示递归神经网络的示意方法描述如下 :
本节内容，我们将学习如何使用TensorFlow实现递归神经网络.
步骤1 : TensorFlow包含用于特定实现递归神经网络模块的各种库.
#Import necessary modules
from __future__ import print_function
import tensorflow as tf
from tensorflow.contrib import rnn
from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets("/tmp/data/", one_hot = True)如上所述，这些库有助于定义输入数据，这构成了递归神经网络实现的主要部分.
第2步 : 我们的主要动机是使用递归神经网络对图像进行分类，其中我们将每个图像行视为像素序列. MNIST图像形状具体定义为28 * 28像素.现在，我们将为所提到的每个样本处理28个28个步骤的序列.我们将定义输入参数以完成顺序模式.
n_input = 28 # MNIST data input with img shape 28*28
n_steps = 28
n_hidden = 128
n_classes = 10
# tf Graph input
x = tf.placeholder("float", [None, n_steps, n_input])
y = tf.placeholder("float", [None, n_classes]
weights = {
'out': tf.Variable(tf.random_normal([n_hidden, n_classes]))
}
biases = {
'out': tf.Variable(tf.random_normal([n_classes]))
}步骤3 : 使用RNN中定义的函数计算结果以获得最佳结果.在此，将每个数据形状与当前输入形状进行比较，并计算结果以维持准确率.
def RNN(x, weights, biases): x = tf.unstack(x, n_steps, 1) # Define a lstm cell with tensorflow lstm_cell = rnn.BasicLSTMCell(n_hidden, forget_bias=1.0) # Get lstm cell output outputs, states = rnn.static_rnn(lstm_cell, x, dtype = tf.float32) # Linear activation, using rnn inner loop last output return tf.matmul(outputs[-1], weights['out']) + biases['out'] pred = RNN(x, weights, biases) # Define loss and optimizer cost = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(logits = pred, labels = y)) optimizer = tf.train.AdamOptimizer(learning_rate = learning_rate).minimize(cost) # Evaluate model correct_pred = tf.equal(tf.argmax(pred,1), tf.argmax(y,1)) accuracy = tf.reduce_mean(tf.cast(correct_pred, tf.float32)) # Initializing the variables init = tf.global_variables_initializer()
第4步 : 在此步骤中，我们将启动图形以获得计算结果.这也有助于计算测试结果的准确性.
with tf.Session() as sess:
sess.run(init)
step = 1
# Keep training until reach max iterations
while step * batch_size < training_iters:
batch_x, batch_y = mnist.train.next_batch(batch_size)
batch_x = batch_x.reshape((batch_size, n_steps, n_input))
sess.run(optimizer, feed_dict={x: batch_x, y: batch_y})
if step % display_step == 0:
# Calculate batch accuracy
acc = sess.run(accuracy, feed_dict={x: batch_x, y: batch_y})
# Calculate batch loss
loss = sess.run(cost, feed_dict={x: batch_x, y: batch_y})
print("Iter " + str(step*batch_size) + ", Minibatch Loss= " + \
"{:.6f}".format(loss) + ", Training Accuracy= " + \
"{:.5f}".format(acc))
step += 1
print("Optimization Finished!")
test_len = 128
test_data = mnist.test.images[:test_len].reshape((-1, n_steps, n_input))
test_label = mnist.test.labels[:test_len]
print("Testing Accuracy:", \
sess.run(accuracy, feed_dict={x: test_data, y: test_label}))下面的屏幕截图显示了输出生成 :
