人工智能：循环神经网络（RNN）与序列数据处理实战
循环神经网络（RNN）与序列数据处理实战
1.1 本章学习目标与重点
💡 学习目标：掌握循环神经网络的核心原理、经典变体结构，以及在文本序列任务中的实战开发流程。
💡 学习重点：理解 RNN 的循环计算机制，学会使用 TensorFlow/Keras 搭建基础 RNN 与 LSTM 模型，完成文本分类任务。
1.2 循环神经网络核心原理
1.2.1 为什么需要 RNN
💡 传统的前馈神经网络（如 CNN、全连接网络）的输入和输出是相互独立的。它们无法处理序列数据的上下文关联特性。
序列数据在现实中十分常见，比如自然语言文本、语音信号、时间序列数据等。这些数据的核心特点是，当前时刻的信息和之前时刻的信息紧密相关。
循环神经网络通过引入隐藏状态，可以存储历史信息，从而有效捕捉序列数据的上下文依赖关系。
1.2.2 RNN 的循环计算机制
💡 RNN 的核心结构是循环核。它的本质是一个带有自连接的神经元结构。循环核会在每一个时间步接收输入数据和上一个时间步的隐藏状态，计算当前时间步的输出和新的隐藏状态。
RNN 的计算过程可以分为三个核心步骤：
① 初始化隐藏状态 h0h_0h0，通常设置为全零向量
② 对每个时间步 ttt，计算当前隐藏状态 ht=tanh(Wxhxt+Whhht−1+bh)h_t = \tanh(W_{xh}x_t + W_{hh}h_{t-1} + b_h)ht=tanh(Wxhxt+Whhht−1+bh)
③ 根据隐藏状态计算当前时间步输出 yt=Whyht+byy_t = W_{hy}h_t + b_yyt=Whyht+by
⚠️ 注意：基础 RNN 存在梯度消失或梯度爆炸问题。它无法有效捕捉长序列的依赖关系，因此实际应用中更多使用其变体模型。
import tensorflow as tf from tensorflow.keras.layers import SimpleRNN # 定义基础 RNN 层# units: 隐藏状态维度，return_sequences: 是否返回所有时间步输出 rnn_layer = SimpleRNN(units=64, return_sequences=True, input_shape=(10,20))# 模拟输入：批次大小 32，序列长度 10，每个时间步特征维度 20 input_seq = tf.random.normal(shape=(32,10,20))# 执行 RNN 计算 output_seq = rnn_layer(input_seq)print("RNN 输出形状：", output_seq.shape)# 输出形状 (32, 10, 64)1.2.3 RNN 的梯度问题与改进方向
⚠️ 基础 RNN 在处理长序列时，梯度在反向传播过程中会随着时间步的增加而指数级衰减或膨胀。这会导致模型无法学习到长距离的依赖关系。
为了解决这个问题，研究者提出了两种经典的 RNN 变体：长短期记忆网络（LSTM） 和 门控循环单元（GRU）。它们通过引入门控机制，来控制信息的遗忘和更新，从而有效缓解梯度消失问题。
1.3 经典 RNN 变体——长短期记忆网络（LSTM）
💡 LSTM 是最常用的 RNN 变体。它由 Hochreiter & Schmidhuber 于 1997 年提出。LSTM 通过输入门、遗忘门和输出门的协同作用，实现对历史信息的选择性记忆和遗忘。
1.3.1 LSTM 的门控机制解析
LSTM 的每个循环核内部包含三个关键门控和一个细胞状态：
- 遗忘门：决定哪些历史信息需要被丢弃。通过 sigmoid 函数输出 0~1 之间的数值，0 表示完全遗忘，1 表示完全保留。
- 输入门：决定哪些新信息需要被加入到细胞状态中。分为两步，先通过 sigmoid 函数筛选信息，再通过 tanh 函数生成候选信息。
- 输出门：决定当前细胞状态中哪些信息需要输出作为隐藏状态。通过 sigmoid 函数筛选，再与 tanh 处理后的细胞状态相乘得到输出。
- 细胞状态：LSTM 的核心记忆单元，负责存储长序列的历史信息，通过门控机制实现信息的更新和传递。
1.3.2 LSTM 层的代码实现
from tensorflow.keras.layers import LSTM # 定义 LSTM 层# return_state: 是否返回最终的隐藏状态和细胞状态 lstm_layer = LSTM(units=128, return_sequences=False, return_state=True, input_shape=(10,20))# 执行 LSTM 计算 output, final_hidden_state, final_cell_state = lstm_layer(input_seq)print("LSTM 输出形状：", output.shape)# 输出形状 (32, 128)print("最终隐藏状态形状：", final_hidden_state.shape)# 形状 (32, 128)print("最终细胞状态形状：", final_cell_state.shape)# 形状 (32, 128)1.4 实战：基于 LSTM 的文本分类任务
1.4.1 任务介绍与数据集准备
💡 本次实战任务是情感分类。我们将使用 IMDB 电影评论数据集。这个数据集包含 50000 条标注为“正面”或“负面”的电影评论。我们的目标是搭建 LSTM 模型，实现对评论情感倾向的自动判断。
① 加载 IMDB 数据集，限制词汇表大小为 10000，序列长度统一为 200
② 将文本序列转换为整数索引序列，超出长度的截断，不足的补零
③ 划分训练集和测试集，训练集 25000 条，测试集 25000 条
from tensorflow.keras.datasets import imdb from tensorflow.keras.preprocessing.sequence import pad_sequences # 1. 加载数据集 vocab_size =10000 max_seq_len =200(x_train, y_train),(x_test, y_test)= imdb.load_data(num_words=vocab_size)# 2. 序列填充与截断 x_train = pad_sequences(x_train, maxlen=max_seq_len, padding="post", truncating="post") x_test = pad_sequences(x_test, maxlen=max_seq_len, padding="post", truncating="post")print("训练集形状：", x_train.shape)# (25000, 200)print("测试集形状：", x_test.shape)# (25000, 200)1.4.2 搭建 LSTM 文本分类模型
💡 本次模型结构分为三层：嵌入层、LSTM 层、全连接分类层。
嵌入层将整数索引转换为稠密向量，解决文本稀疏问题。LSTM 层捕捉文本序列的上下文依赖。全连接层通过 sigmoid 函数输出情感分类结果。
from tensorflow.keras import Sequential from tensorflow.keras.layers import Embedding, Dense # 定义模型 embedding_dim =128 model = Sequential([# 嵌入层：input_dim=词汇表大小, output_dim=嵌入维度, input_length=序列长度 Embedding(input_dim=vocab_size, output_dim=embedding_dim, input_length=max_seq_len),# LSTM 层：128 个隐藏单元 LSTM(units=128, dropout=0.2, recurrent_dropout=0.2),# 全连接分类层：输出 1 个值，sigmoid 激活 Dense(units=1, activation="sigmoid")])# 查看模型结构 model.summary()1.4.3 模型编译与训练
① 编译模型：选择 Adam 优化器，二分类交叉熵损失函数，评估指标为准确率
② 训练模型：设置批次大小 64，训练轮数 5 轮，使用 10% 的训练数据作为验证集
③ 保存训练历史，用于后续绘制损失和准确率曲线
# 1. 编译模型 model.compile(optimizer="adam", loss="binary_crossentropy", metrics=["accuracy"])# 2. 训练模型 batch_size =64 epochs =5 history = model.fit( x_train, y_train, batch_size=batch_size, epochs=epochs, validation_split=0.1)# 3. 评估模型 test_loss, test_acc = model.evaluate(x_test, y_test)print(f"测试集准确率：{test_acc:.4f}")1.4.4 模型优化技巧
💡 技巧 1：使用预训练词向量（如 Word2Vec、GloVe）替换随机初始化的嵌入层，提升文本特征表示能力。
💡 技巧 2：加入双向 LSTM（Bidirectional LSTM），同时捕捉文本的正向和反向上下文依赖。
💡 技巧 3：使用早停法（EarlyStopping），当验证集损失不再下降时停止训练，防止过拟合。
双向 LSTM 层的代码示例：
from tensorflow.keras.layers import Bidirectional # 替换原 LSTM 层为双向 LSTM Bidirectional(LSTM(units=128, dropout=0.2, recurrent_dropout=0.2))早停法的代码示例：
from tensorflow.keras.callbacks import EarlyStopping # 定义早停回调函数 early_stopping = EarlyStopping(monitor="val_loss", patience=2, restore_best_weights=True)# 在训练时加入回调 model.fit(x_train, y_train, callbacks=[early_stopping])1.5 门控循环单元（GRU）简介
💡 GRU 是 LSTM 的简化版本。它将遗忘门和输入门合并为更新门，同时取消了细胞状态，直接使用隐藏状态传递信息。
GRU 的参数数量比 LSTM 更少，训练速度更快。在很多场景下，GRU 可以取得和 LSTM 相当的效果。
GRU 层的代码实现：
from tensorflow.keras.layers import GRU # 定义 GRU 层 gru_layer = GRU(units=128, return_sequences=True, input_shape=(10,20)) gru_output = gru_layer(input_seq)print("GRU 输出形状：", gru_output.shape)1.6 本章总结
✅ 循环神经网络通过隐藏状态存储历史信息，能够有效处理序列数据的上下文依赖关系。
✅ LSTM 引入门控机制，解决了基础 RNN 的梯度消失问题，是处理长序列任务的核心模型。
✅ 在文本分类等序列任务中，LSTM 结合嵌入层可以取得良好效果，双向 LSTM 和早停法等技巧能进一步优化模型性能。
