最近的股市震荡的有点厉害，跌的有点惨，面对如此情景，我波澜不惊，原因很简单，前几年我小试牛刀的时候我意识到了这不是我这种散户能玩得懂的，如今的我早已空仓。万物皆可 AI，如何用深度学习的方法去理解呢？当然，本篇不是一个指导买股票的文章，也不会用股票的数据信息去训练模型，我负不起这样的责任，也同样因为股票的市场行情远非一点股票价钱数据就可以解释的。下面我们来聊一聊正事，循环神经网络（RNN）。
为什么要引入循环神经网络？思考一个问题，如果问你明天股票的市场行情是看涨还是看跌，大概率你会搜索一下近一段时间的行情趋势，然后给我一个猜测的回答，我们认为明天的行情与近一段时间的股票价格是有关系的，我们人脑会对此进行一定的推测，我们知道神经网络在某一种程度上来说，也是一种模拟人脑的行为，那我们的神经网络可以做预测吗？我们之前用于训练卷积神经网络的是一个个独立的数据信息，我们把它们打乱顺序，猫和狗的图片顺序不重要，训练后还是可以得到正确的结果；但是很显然，股票的价钱信息是不能打乱顺序的，这两种数据有什么区别？
一种数据是顺序无关的，一种数据是顺序有关的。
我们之前的网络不好用了，我们需要新的网络去解决这个问题——循环神经网络。循环神经网络遍历数据时，会保存数据的状态信息，这个状态信息包含之前数据的信息，它的内部有环状结构，前一项数据项的输出，是下一个数据项的输入，这样后一项数据会受到前一项数据的影响。
我们用一段矩阵处理的代码来解释这个问题：
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
| def deal():
timesteps = 100
input_features = 32
output_features = 64
inputs = np.random.random((timesteps, input_features))
print('input: ', inputs)
state_t = np.zeros((output_features,))
W = np.random.random((output_features, input_features))
U = np.random.random((output_features, output_features))
b = np.random.random((output_features,))
successive_outputs = []
for input_t in inputs:
output_t = np.tanh(np.dot(W, input_t) + np.dot(U, state_t) + b)
print(output_t)
successive_outputs.append(output_t)
state_t = output_t
final_output_sequence = np.stack(successive_outputs, axis=0)
print('output: ', final_output_sequence)
|
知道了原理，老规矩，我们还是用 Keras 实现，那种内置的实现，真是熟悉的味道，SimpleRNN。SimpleRNN 可以返回每一步输出的完整序列，也可以返回最终的结果，由 return_sequences 参数控制（True 时，返回完整序列），有了这样一个好用的循环神经网络，那我们就可以重新思考 IMDB 电影评论分类问题了。因为我们有了之前的经验，因此这一个的代码就很简单了：
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
| def imdb_rnn():
max_features = 10000
maxlen = 500
(input_train, y_train), (input_test, y_test) = imdb.load_data(num_words=max_features)
input_train = sequence.pad_sequences(input_train, maxlen=maxlen)
model = Sequential()
model.add(Embedding(max_features, 32))
model.add(SimpleRNN(32))
model.add(Dense(1, activation='sigmoid'))
model.compile(optimizer='rmsprop', loss='binary_crossentropy', metrics=['acc'])
history = model.fit(input_train, y_train, epochs=10, batch_size=128, validation_split=0.2)
acc = history.history['acc']
val_acc = history.history['val_acc']
loss = history.history['loss']
val_loss = history.history['val_loss']
epochs = range(1, len(acc) + 1)
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.plot(epochs, acc, 'bo', label='Training acc')
plt.plot(epochs, val_acc, 'b', label='Validation acc')
plt.title('Training and validation accuracy')
plt.legend()
plt.show()
plt.figure()
plt.plot(epochs, loss, 'bo', label='Training loss')
plt.plot(epochs, val_loss, 'b', label='Validation loss')
plt.title('Training and validation loss')
plt.legend()
plt.show()
|
我们看看训练出来的结果：
差不多 85% 的准确率，还算可以，毕竟我们只用了每条评论的前 500 个单词（我试着调大单词数目到 1000，时间延长了一点外，准确率却仅仅提高了 2%，有点得不偿失），为什么会出现这样的情况呢？原因是 SimpleRNN 的效果不好，那简单，换换其他的 RNN 方法吧。Keras 中还有 LSTM 和 GRU 这样的循环神经网络。
SimpleRNN 的一个问题是容易遗忘，专业点的术语叫做 梯度消失，数据在处理过程中，只记住了最近几步的信息，更早的信息淡忘了，相比具有更长期记忆的 LSTM 和 GRU 效果就好得多（这么说其实不准确，理论上仔细调整参数，SimpleRNN 是可以让有更好的长期记忆的，只是实践起来比较难，LSTM 不存在这样的问题）。比如 LSTM 的做法就是本次计算出来的结果不仅仅在下一次的计算中使用，而且被更长时间记忆，在更加靠后的计算中也能拿到这一次的计算结果，在某一种意义上来说，就是跨步骤传递信息，实现长期记忆了，这其中的细节信息当然是我们以后要具体讨论的，这里点到为止。
我们把上面 SimpleRNN 层换成 LSTM 层，代码已经在上面的注释中了，然后看看效果怎么样：
从这个我们可以看出来，百分之 90% 了，效果好了很多，对比一下我们之前用单词统计的方法训练的网络的结果（87% 左右），这里也是用了更少的数据，得到了更高的准确度，说明循环神经网络是有用的。在我们开心的同时，我们同样不要忽略一个问题，循环神经网络计算量更大了，这里的计算量增大了几倍，时间变长，换来的还是没有那么显著的提高，这样做真的是有意义的吗？针对这个问题，这其实跟我们的问题是有关系的，这个实际的问题是评论态度判断，其实在评论中，积极或者是消极的评论中，一些单词的出现其实是非常具有代表性的，“剧情无聊” 这样的词其实非常有说服力，因此对于这类问题，其实可以考虑用更大的数据量去训练网络，在计算量小得多的情况下，还能得到一个不错的结果。但是在其他场景，比如是一种聊天系统，或者是智能助手，循环神经网络的优势就会体现得更明显。
循环神经网络的基本内容我们就介绍的差不多了，下一次我们聊聊循环神经网络有哪些高级的用法。
推荐
