RNNLSTM。本文將通過一個實戰(zhàn)項目帶大家使用PyTorch搭建RNN模型。本項目將構建一個RNN模型，來對MNIST問，MNIST數據集不是嗎，而RNN是處理序列信號的。為什么識別也能使用RNN模型呢？其實，這里我們可以把看成是序列信號，例如下面是MNIST數據集的一張圖MNIST數據集中所有的都是28x28的。按行來看，的每一行都包含28個像素點，一共有28行。因此，我們可以把每一行的28個像素點當成RNN的一個輸入?？偣灿?8行，則。的分割方式如下圖所示：輸入已經確定了，對于輸出，因為是分類問題，識別0～9數字，因此，RNN模型應該有個輸出，即。此例中，確定了基本結構和輸入輸出之后，我們開始使用PyTorchRNNMNIST下面代碼實現了MNIST數據集的導入。importtorchimporttorchvisionimporttorchvision.transformsastransformsimporttorch.nnasnnimporttorch.nn.functionalasFimporttorch.optimasoptimimportmatplotlib.pyplotaspltimportnumpyasnptransformpose(#trainset=##不從網絡上trainloader=torch.utils.data.DataLoader(trainset,testset=#不從網絡上testloader=torch.utils.data.DataLoader(testset,batch_size=4,shuffle=False, 成，這里的download設置為False，即從本地導入數據集。我們設置，

表示每次epoch都重新打亂訓練樣本 下面程序展示了Mini-batch訓練樣本并標注正確的過程defnpimg=img.numpy()plt.imshow(np.transpose(npimg,(1,2,0)))#選擇一個batchdataiter=images,labels=#顯示#打印print(''.join('%11s'%labels[j].numpy()forjintorch.Size([60000,torch.Size([60000,28,torch.Size([10000,28,訓練集包含60000張，測試集包含10000張，每張大小為28x28RNN與CNN類似，我們可以使用PyTorch直接搭建RNN模型，首先定義RNN類。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#隱藏層神經元設置為84是否將batch self.out=nn.Linear(8410#輸出層，包含10個神經元，對應defforward(self,r_out,(h_n,h_c)=self.rnn(x,RNNout=self.out(r_out[:,-1,return以上代碼是構建RNN的部分。我們發(fā)現PyTroch中構建RNN模型非常簡單，只需簡單

input_size=

表示每個輸入元素的維度，即每行包含28個像hidden_size=self.out=nn.Linear(84, 將隱藏層神經元設置為84個， hidden_size=self.out=nn.Linear(84,為LSTM的單元

(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,非常直觀，可以完整清晰地查看我們構建的RNN模型結構。

表示選擇最后一正如之前利用PyTorch構建CNN模型的實戰(zhàn)過程，我們仍使用Adamcriterion=optimizer=optim.Adam(net.parameters(),num_epoches #設置epochcost #forepochinrunning_loss=fori,datainenumerate(trainloader,#inputs,labels= inputsinputs.view(-12828)設置RNN輸入維度為(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=。否則，梯度會累加，造成訓練錯誤和失效。PyTorch能自動完成所有梯度計算。我們發(fā)現，PyTorch中RNN的訓練代碼與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:將所有Loss顯然，隨著迭代訓練，Loss逐漸減小。correct=total=total+=correct+=(predicted==print('Accuracyofthenetworkonthe10000testimages:%.3f%%'(100*correct/ datainimages,labels=images=images.view(-1,28,outputs=_,predicted=AccuracyAccuracy