GRU模型實(shí)戰(zhàn)訓(xùn)練 智能決策更精準(zhǔn)

上一期文章帶大家認(rèn)識(shí)了一個(gè)名為GRU的新朋友, GRU本身自帶處理時(shí)序數(shù)據(jù)的屬性,特別擅長對(duì)于時(shí)間序列的識(shí)別和檢測(例如音頻、傳感器信號(hào)等)。GRU其實(shí)是RNN模型的一個(gè)衍生形式，巧妙地設(shè)計(jì)了兩個(gè)門控單元：reset門和更新門。reset門負(fù)責(zé)針對(duì)歷史遺留的狀態(tài)進(jìn)行重置，丟棄掉無用信息；更新門負(fù)責(zé)對(duì)歷史狀態(tài)進(jìn)行更新，將新的輸入與歷史數(shù)據(jù)集進(jìn)行整合。通過模型訓(xùn)練，讓模型能夠自動(dòng)調(diào)整這兩個(gè)門控單元的狀態(tài)，以期達(dá)到歷史數(shù)據(jù)與最新數(shù)據(jù)和諧共存的目的。

理論知識(shí)掌握了，下面就來看看如何訓(xùn)練一個(gè)GRU模型吧。

訓(xùn)練平臺(tái)選用Keras，請?zhí)崆白孕邪惭bKeras開發(fā)工具。直接上代碼，首先是數(shù)據(jù)導(dǎo)入部分，我們直接使用mnist手寫字體數(shù)據(jù)集：

import numpy as np
import tensorflow as tf
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import GRU, Dense
from tensorflow.keras.datasets import mnist
from tensorflow.keras.utils import to_categorical
from tensorflow.keras.models import load_model


# 準(zhǔn)備數(shù)據(jù)集
(x_train, y_train), (x_test, y_test) = mnist.load_data()
x_train = x_train.astype('float32') / 255.0
x_test = x_test.astype('float32') / 255.0
y_train = to_categorical(y_train, 10)
y_test = to_categorical(y_test, 10)

模型構(gòu)建與訓(xùn)練：

# 構(gòu)建GRU模型
model = Sequential()
model.add(GRU(128, input_shape=(28, 28), stateful=False, unroll=False))
model.add(Dense(10, activation='softmax'))


# 編譯模型
model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])


# 模型訓(xùn)練
model.fit(x_train, y_train, batch_size=128, epochs=10, validation_data=(x_test, y_test))

這里，眼尖的伙伴應(yīng)該是注意到了，GRU模型構(gòu)建的時(shí)候，有兩個(gè)參數(shù)，分別是stateful以及unroll，這兩個(gè)參數(shù)是什么意思呢？

GRU層的stateful和unroll是兩個(gè)重要的參數(shù)，它們對(duì)GRU模型的行為和性能有著重要影響：

stateful參數(shù)：默認(rèn)情況下，stateful參數(shù)為False。當(dāng)stateful設(shè)置為True時(shí)，表示在處理連續(xù)的數(shù)據(jù)時(shí)，GRU層的狀態(tài)會(huì)被保留并傳遞到下一個(gè)時(shí)間步，而不是每個(gè)batch都重置狀態(tài)。這對(duì)于處理時(shí)間序列數(shù)據(jù)時(shí)非常有用，例如在處理長序列時(shí)，可以保持模型的狀態(tài)信息，而不是在每個(gè)batch之間重置。需要注意的是，在使用stateful時(shí)，您需要手動(dòng)管理狀態(tài)的重置。

unroll參數(shù)：默認(rèn)情況下，unroll參數(shù)為False。當(dāng)unroll設(shè)置為True時(shí)，表示在計(jì)算時(shí)會(huì)展開RNN的循環(huán)，這樣可以提高計(jì)算性能，但會(huì)增加內(nèi)存消耗。通常情況下，對(duì)于較短的序列，unroll設(shè)置為True可以提高計(jì)算速度，但對(duì)于較長的序列，可能會(huì)導(dǎo)致內(nèi)存消耗過大。

通過合理設(shè)置stateful和unroll參數(shù)，可以根據(jù)具體的數(shù)據(jù)和模型需求來平衡模型的狀態(tài)管理和計(jì)算性能。而我們這里用到的mnist數(shù)據(jù)集實(shí)際上并不是時(shí)間序列數(shù)據(jù)，而只是將其當(dāng)作一個(gè)時(shí)序數(shù)據(jù)集來用。因此，每個(gè)batch之間實(shí)際上是沒有顯示的前后關(guān)系的，不建議使用stateful。而是每一個(gè)batch之后都要將其狀態(tài)清零。即stateful=False。而unroll參數(shù)，大家就可以自行測試了。

模型評(píng)估與轉(zhuǎn)換：

# 模型評(píng)估
score = model.evaluate(x_test, y_test, verbose=0)
print('Test loss:', score[0])
print('Test accuracy:', score[1])


# 保存模型
model.save("mnist_gru_model.h5")


# 加載模型并轉(zhuǎn)換
converter = tf.lite.TFLiteConverter.from_keras_model(load_model("mnist_gru_model.h5"))
tflite_model = converter.convert()


# 保存tflite格式模型
with open('mnist_gru_model.tflite', 'wb') as f:
    f.write(tflite_model)

便寫好程序后，運(yùn)行等待訓(xùn)練完畢，可以看到經(jīng)過10個(gè)epoch之后，模型即達(dá)到了98.57%的測試精度：

來看看最終的模型樣子，參數(shù)stateful=False，unroll=True：

這里，我們就會(huì)發(fā)現(xiàn)，模型的輸入好像被拆分成了很多份，這是因?yàn)槲覀冎付溯斎胧?8*28。第一個(gè)28表示有28個(gè)時(shí)間步，后面的28則表示每一個(gè)時(shí)間步的維度。這里的時(shí)間步，指代的就是歷史的數(shù)據(jù)。

現(xiàn)在，GRU模型訓(xùn)練就全部介紹完畢了，對(duì)于機(jī)器學(xué)習(xí)和深度學(xué)習(xí)感興趣的伙伴們，不妨親自動(dòng)手嘗試一下，搭建并訓(xùn)練一個(gè)屬于自己的GRU模型吧！

希望每一位探索者都能在機(jī)器學(xué)習(xí)的道路上不斷前行，收獲滿滿的知識(shí)和成果！