Pytorch 怎么實(shí)現(xiàn)LSTM時(shí)間序列預(yù)測(cè)？

退役魔法少女 2021-08-07 10:55:44 瀏覽數(shù) (4636)

反饋

LSTM是一種RNN模型的優(yōu)化方案，它可以解決普通的RNN對(duì)于長(zhǎng)期依賴問(wèn)題效果比較差的問(wèn)題。今天我們就以時(shí)間序列預(yù)測(cè)為案例，來(lái)介紹一下pyrotch怎么實(shí)現(xiàn)LSTM吧。

開發(fā)環(huán)境說(shuō)明：

Python 35

Pytorch 0.2

CPU/GPU均可

1、LSTM簡(jiǎn)介

人類在進(jìn)行學(xué)習(xí)時(shí)，往往不總是零開始，學(xué)習(xí)物理你會(huì)有數(shù)學(xué)基礎(chǔ)、學(xué)習(xí)英語(yǔ)你會(huì)有中文基礎(chǔ)等等。

于是對(duì)于機(jī)器而言，神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)亦可不再?gòu)牧汩_始，于是出現(xiàn)了Transfer Learning，就是把一個(gè)領(lǐng)域已訓(xùn)練好的網(wǎng)絡(luò)用于初始化另一個(gè)領(lǐng)域的任務(wù)，例如會(huì)下棋的神經(jīng)網(wǎng)絡(luò)可以用于打德州撲克。

我們這講的是另一種不從零開始學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)——循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network, RNN），它的每一次迭代都是基于上一次的學(xué)習(xí)結(jié)果，不斷循環(huán)以得到對(duì)于整體序列的學(xué)習(xí)，區(qū)別于傳統(tǒng)的MLP神經(jīng)網(wǎng)絡(luò)，這種神經(jīng)網(wǎng)絡(luò)模型存在環(huán)型結(jié)構(gòu)，

具體下所示：

RNN神經(jīng)結(jié)構(gòu)

上圖是RNN的基本單元，通過(guò)不斷循環(huán)迭代展開模型如下所示，圖中ht是神經(jīng)網(wǎng)絡(luò)的在t時(shí)刻的輸出，xt是t時(shí)刻的輸入數(shù)據(jù)。

這種循環(huán)結(jié)構(gòu)對(duì)時(shí)間序列數(shù)據(jù)能夠很好地建模，例如語(yǔ)音識(shí)別、語(yǔ)言建模、機(jī)器翻譯等領(lǐng)域。

梯度鏈?zhǔn)椒? class=

但是普通的RNN對(duì)于長(zhǎng)期依賴問(wèn)題效果比較差，當(dāng)序列本身比較長(zhǎng)時(shí)，由于神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練是采用backward進(jìn)行，在梯度鏈?zhǔn)椒▌t中容易出現(xiàn)梯度消失和梯度爆炸的問(wèn)題，需要進(jìn)一步改進(jìn)RNN的模型結(jié)構(gòu)。

針對(duì)Simple RNN存在的問(wèn)題，LSTM網(wǎng)絡(luò)模型被提出，LSTM的核心是修改了增添了Cell State，即加入了LSTM CELL，通過(guò)輸入門、輸出門、遺忘門把上一時(shí)刻的hidden state和cell state傳給下一個(gè)狀態(tài)。

如下所示：

LSTM法

遺忘門：ft = sigma(Wf*[ht-1, xt] + bf)

輸入門：it = sigma(Wi*[ht-1, xt] + bi)

cell state initial: C't = tanh(Wc*[ht-1, xt] +bc)

cell state: Ct = ft*Ct-1+ itC't

輸出門：ot = sigma(Wo*[ht-1, xt] + bo)

模型輸出：ht = ot*tanh(Ct)

LSTM有很多種變型結(jié)構(gòu)，實(shí)際工程化過(guò)程中用的比較多的是peephole，就是計(jì)算每個(gè)門的時(shí)候增添了cell state的信息，有興趣的童鞋可以專研專研。

上一部分簡(jiǎn)單地介紹了LSTM的模型結(jié)構(gòu)，下邊將具體介紹使用LSTM模型進(jìn)行時(shí)間序列預(yù)測(cè)的具體過(guò)程。

2、數(shù)據(jù)準(zhǔn)備

對(duì)于時(shí)間序列，本文選取正弦波序列，事先產(chǎn)生一定數(shù)量的序列數(shù)據(jù)，然后截取前部分作為訓(xùn)練數(shù)據(jù)訓(xùn)練LSTM模型，后部分作為真實(shí)值與模型預(yù)測(cè)結(jié)果進(jìn)行比較。正弦波的產(chǎn)生過(guò)程如下:

SeriesGen(N)方法用于產(chǎn)生長(zhǎng)度為N的正弦波數(shù)值序列；

trainDataGen(seq,k)用于產(chǎn)生訓(xùn)練或測(cè)試數(shù)據(jù)，返回?cái)?shù)據(jù)結(jié)構(gòu)為輸入輸出數(shù)據(jù)。seq為序列數(shù)據(jù)，k為L(zhǎng)STM模型循環(huán)的長(zhǎng)度，使用1~k的數(shù)據(jù)預(yù)測(cè)2~k+1的數(shù)據(jù)。

數(shù)據(jù)準(zhǔn)備

3、模型構(gòu)建

Pytorch的nn模塊提供了LSTM方法，具體接口使用說(shuō)明可以參見Pytorch的接口使用說(shuō)明書。此處調(diào)用nn.LSTM構(gòu)建LSTM神經(jīng)網(wǎng)絡(luò)，模型另增加了線性變化的全連接層Linear()，但并未加入激活函數(shù)。由于是單個(gè)數(shù)值的預(yù)測(cè)，這里input_size和output_size都為1.

模型構(gòu)建