Python 有没有办法减少RMSProp的代码量
我有一些简单的递归神经网络的代码,我想知道是否有办法减少更新阶段所需的代码量。我的守则是:Python 有没有办法减少RMSProp的代码量,python,Python,我有一些简单的递归神经网络的代码,我想知道是否有办法减少更新阶段所需的代码量。我的守则是: class RNN(object): def__init___(self, data, hidden_size, eps=0.0001): self.data = data self.hidden_size = hidden_size self.weights_hidden = np.random.rand(hidden_size, hidden_s
class RNN(object):
def__init___(self, data, hidden_size, eps=0.0001):
self.data = data
self.hidden_size = hidden_size
self.weights_hidden = np.random.rand(hidden_size, hidden_size) * 0.1 # W
self.weights_input = np.random.rand(hidden_size, len(data[0])) * 0.1 # U
self.weights_output = np.random.rand(len(data[0]), hidden_size) * 0.1 # V
self.bias_hidden = np.array([np.random.rand(hidden_size)]).T # b
self.bias_output = np.array([np.random.rand(len(data[0]))]).T # c
self.cache_w_hid, self.cache_w_in, self.cache_w_out = 0, 0, 0
self.cache_b_hid, self.cache_b_out = 0, 0
self.eps = eps
def train(self, seq_length, epochs, eta, decay_rate=0.9, learning_decay=0.0):
# Other stuff
self.update(seq, epoch, eta, decay_rate, learning_decay)
# Other Stuff
def update(self, seq, epoch, eta, decay_rate, learning_decay):
"""Updates the network's weights and biases by applying gradient
descent using backpropagation through time and RMSPROP.
"""
delta_nabla_c, delta_nabla_b,\
delta_nabla_V, delta_nabla_W, delta_nabla_U = self.backward_pass(seq)
eta = eta*np.exp(-epoch*learning_decay)
self.cache_w_hid += decay_rate * self.cache_w_hid \
+ (1 - decay_rate) * delta_nabla_W**2
self.weights_hidden -= eta * delta_nabla_W / (np.sqrt(self.cache_w_hid) + self.eps)
self.cache_w_in += decay_rate * self.cache_w_in \
+ (1 - decay_rate) * delta_nabla_U**2
self.weights_input -= eta * delta_nabla_U / (np.sqrt(self.cache_w_in) + self.eps)
self.cache_w_out += decay_rate * self.cache_w_out \
+ (1 - decay_rate) * delta_nabla_V**2
self.weights_output -= eta * delta_nabla_V / (np.sqrt(self.cache_w_out) + self.eps)
self.cache_b_hid += decay_rate * self.cache_b_hid \
+ (1 - decay_rate) * delta_nabla_b**2
self.bias_hidden -= eta * delta_nabla_b / (np.sqrt(self.cache_b_hid) + self.eps)
self.cache_b_out += decay_rate * self.cache_b_out \
+ (1 - decay_rate) * delta_nabla_c**2
self.bias_output -= eta * delta_nabla_c / (np.sqrt(self.cache_b_out) + self.eps)
对于#RMSProp
下的每个变量,都遵循更新规则,即:
cache = decay_rate * cache + (1 - decay_rate) * dx**2
x += - learning_rate * dx / (np.sqrt(cache) + eps)
我已经声明了
cache\u
所有,然后是self.weight\u
或self.bias\u
,我想把它写得更简洁一些。我正在考虑使用zip()
,但我不知道该怎么做 从您的问题判断,我猜您正在努力提高可读性/优雅性,而不是其他类型的优化
您可以引入一个函数来实现更新规则,然后为每个变量调用一次。这里的诀窍是Python允许您按名称访问属性,因此您可以传入缓存的名称和权重属性,而不是值。这将允许您更新未来过程的值:
def update_rule(self, cache_attr, x_attr, decay_rate, learning_rate, dx):
cache = getattr(self, cache_attr)
cache = decay_rate * cache + (1 - decay_rate) * dx**2
setattr(self, cache_attr, cache)
x = getattr(self, x_attr)
x += - learning_rate * dx / (np.sqrt(cache) + self.eps)
setattr(self, x_attr, x)
def update(self, seq, epoch, eta, decay_rate, learning_decay):
"""Updates the network's weights and biases by applying gradient
descent using backpropagation through time and RMSPROP.
"""
delta_nabla_c, delta_nabla_b,\
delta_nabla_V, delta_nabla_W, delta_nabla_U = self.backward_pass(seq)
eta = eta*np.exp(-epoch*learning_decay)
self.update_rule('cache_w_hid', 'weights_hidden', decay_rate, eta, delta_nabla_W)
self.update_rule('cache_w_in', 'weights_input', decay_rate, eta, delta_nabla_U)
self.update_rule('cache_w_out', 'weights_output', decay_rate, eta, delta_nabla_V)
self.update_rule('cache_b_hid', 'bias_hidden', decay_rate, eta, delta_nabla_b)
self.update_rule('cache_b_out', 'bias_output', decay_rate, eta, delta_nabla_c)
事实上,通过将update\u rule
放入update
中,您可以保存其他参数并避免暴露基本上是私有的方法。这将在调用时将update
的命名空间公开给update\u rule
,因此您不必传入decation\u rate
和learning\u rate
:
def update(self, seq, epoch, eta, decay_rate, learning_decay):
"""Updates the network's weights and biases by applying gradient
descent using backpropagation through time and RMSPROP.
"""
def update_rule(cache_attr, x_attr, dx):
cache = getattr(self, cache_attr)
cache = decay_rate * cache + (1 - decay_rate) * dx**2
setattr(self, cache_attr, cache)
x = getattr(self, x_attr)
x += - eta * dx / (np.sqrt(cache) + self.eps)
setattr(self, x_attr, x)
delta_nabla_c, delta_nabla_b,\
delta_nabla_V, delta_nabla_W, delta_nabla_U = self.backward_pass(seq)
eta = eta*np.exp(-epoch*learning_decay)
update_rule('cache_w_hid', 'weights_hidden', delta_nabla_W)
update_rule('cache_w_in', 'weights_input', delta_nabla_U)
update_rule('cache_w_out', 'weights_output', delta_nabla_V)
update_rule('cache_b_hid', 'bias_hidden', delta_nabla_b)
update_rule('cache_b_out', 'bias_output', delta_nabla_c)
最后,如果确实需要,可以使用zip
将对update\u rule
的调用放入循环中。请注意,对于这个版本,调用的顺序已更改为与self.backward\u pass返回的值的顺序相匹配。就我个人而言,除非你真的有很多更新要做,否则我不会使用最后一个版本,因为除了它对向后传递的结果非常敏感这一事实之外,它开始看起来很模糊
def update(self, seq, epoch, eta, decay_rate, learning_decay):
"""Updates the network's weights and biases by applying gradient
descent using backpropagation through time and RMSPROP.
"""
def update_rule(cache_attr, x_attr, dx):
cache = getattr(self, cache_attr)
cache = decay_rate * cache + (1 - decay_rate) * dx**2
setattr(self, cache_attr, cache)
x = getattr(self, x_attr)
x += - eta * dx / (np.sqrt(cache) + self.eps)
setattr(self, x_attr, x)
dx = self.backward_pass(seq)
eta = eta*np.exp(-epoch*learning_decay)
cache_attrs = ('cache_b_out', 'cache_b_hid', 'cache_w_out', 'cache_w_hid', 'cache_w_in')
x_attrs = ('bias_output', 'bias_hidden', 'weights_output', 'weights_hidden', 'weights_input')
for args in zip(cache_attrs, x_attrs, dx):
update_rule(*args)
代码在哪里?在脚本/模块中,是类还是函数?使用self
表示一种方法,但是使用像cache\u w\u hid
这样的全局变量指向一个模块或类。这完美地回答了我的问题。谢谢正在处理应答。等等,您每次都故意将缓存设置为零?那么缓存变量也必须是在\uuuuu init\uuuu
中设置的实例属性。这就是为什么我被你发布的第一段代码弄糊涂了。希望你不介意我的编辑。此外,请解决缓存更新中的差异。在您的代码中,它是缓存*+=…
。在您的规则中,它是缓存\*=…
。