参考说明教案

RNNLSTM。本文将通过一个实战项目带大家使用PyTorch搭建RNN模型。本项目将构建一个RNN模型，来对MNIST问，MNIST数据集不是吗，而RNN是处理序列信号的。为什么识别也能使用RNN模型呢？其实，这里我们可以把看成是序列信号，例如下面是MNIST数据集的一张图MNIST数据集中所有的都是28x28的。按行来看，的每一行都包含28个像素点，一共有28行。因此，我们可以把每一行的28个像素点当成RNN的一个输入。总共有28行，则。的分割方式如下图所示：输入已经确定了，对于输出，因为是分类问题，识别0～9数字，因此，RNN模型应该有个输出，即。此例中，确定了基本结构和输入输出之后，我们开始使用PyTorchRNNMNIST下面代码实现了MNIST数据集的导入。importtorchimporttorchvisionimporttorchvision.transformsastransformsimporttorch.nnasnnimporttorch.nn.functionalasFimporttorch.optimasoptimimportmatplotlib.pyplotaspltimportnumpyasnptransformpose(#trainset=##不从网络上trainloader=torch.utils.data.DataLoader(trainset,testset=#不从网络上testloader=torch.utils.data.DataLoader(testset,batch_size=4,shuffle=False, 成，这里的download设置为False，即从本地导入数据集。我们设置，

表示每次epoch都重新打乱训练样本 下面程序展示了Mini-batch训练样本并标注正确的过程defnpimg=img.numpy()plt.imshow(np.transpose(npimg,(1,2,0)))#选择一个batchdataiter=images,labels=#显示#打印print(''.join('%11s'%labels[j].numpy()forjintorch.Size([60000,torch.Size([60000,28,torch.Size([10000,28,训练集包含60000张，测试集包含10000张，每张大小为28x28RNN与CNN类似，我们可以使用PyTorch直接搭建RNN模型，首先定义RNN类。classNet(nn.Module):definit(self):super(Net,self).initself.rnn=nn.LSTM(input_size=28,hidden_size=84,h,time_step,#使用LSTM#每行包含#隐藏层神经元设置为84是否将batch self.out=nn.Linear(8410#输出层，包含10个神经元，对应defforward(self,r_out,(h_n,h_c)=self.rnn(x,RNNout=self.out(r_out[:,-1,return以上代码是构建RNN的部分。我们发现PyTroch中构建RNN模型非常简单，只需简单

input_size=

表示每个输入元素的维度，即每行包含28个像hidden_size=self.out=nn.Linear(84, 将隐藏层神经元设置为84个， hidden_size=self.out=nn.Linear(84,为LSTM的单元

(h_n,r_out,(h_n,h_c)=self.rnn(x,r_out,(h_n,h_c)=self.rnn(x,out=self.out(r_out[:,-1,out=self.out(r_out[:,-1,netnet=(rnn):LSTM(28,84,num_layers=2,(out):Linear(in_features=84,out_features=10,非常直观，可以完整清晰地查看我们构建的RNN模型结构。

表示选择最后一正如之前利用PyTorch构建CNN模型的实战过程，我们仍使用Adamcriterion=optimizer=optim.Adam(net.parameters(),num_epoches #设置epochcost #forepochinrunning_loss=fori,datainenumerate(trainloader,#inputs,labels= inputsinputs.view(-12828)设置RNN输入维度为(batchtime_step,input_size)##正 、反 outputs=loss=criterion(outputs,#running_loss+=ifi2000== #每隔2000mini-batchesprint('[%d,%5d]loss:%.3f'(epoch+1,i+1,running_loss/cost.append(running_loss/running_loss=。否则，梯度会累加，造成训练错误和失效。PyTorch能自动完成所有梯度计算。我们发现，PyTorch中RNN的训练代码与inputs=inputs.view(-1,28,inputs=inputs.view(-1,28,（batchtime_stepinput_size），即（42828）。[1,2000]loss:[1,4000]loss:[1,6000]loss:[1,8000]loss:[1,10000]loss:[1,12000]loss:[1,14000]loss:[2,2000]loss:[2,4000]loss:[2,6000]loss:[2,8000]loss:[2,10000]loss:[2,12000]loss:[2,14000]loss:[3,2000]loss:[3,4000]loss:[3,6000]loss:[3,8000]loss:[3,10000]loss:[3,12000]loss:[3,14000]loss:[4,2000]loss:[4,4000]loss:[4,6000]loss:[4,8000]loss:[4,10000]loss:[4,12000]loss:[4,14000]loss:[5,2000]loss:[5,4000]loss:[5,6000]loss:[5,8000]loss:[5,10000]loss:[5,12000]loss:[5,14000]loss:将所有Loss显然，随着迭代训练，Loss逐渐减小。correct=total=total+=correct+=(predicted==print('Accuracyofthenetworkonthe10000testimages:%.3f%%'(100*correct/ datainimages,labels=images=images.view(-1,28,outputs=_,predicted=AccuracyAccuracy