您现在的位置是：网站首页> 编程资料编程资料

python神经网络Keras实现GRU及其参数量_python_

2023-05-26 452人已围观

简介 python神经网络Keras实现GRU及其参数量_python_

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

以上就是python神经网络Keras实现GRU及其参数量的详细内容，更多关于Keras实现GRU参数量的资料请关注其它相关文章！

您可能感兴趣的文章:

上一篇：Python查询缺失值的4种方法总结_python_

下一篇：Python Pandas中合并数据的5个函数使用详解_python_