1.双向递归神经网络简介


双向递归神经网络（Bidirectional Recurrent Neural Networks， Bi-RNN）,是由Schuster和Paliwal于1997年首次提出的，和LSTM是在同一年被提出的。Bi-RNN的主要目标是增加RNN可利用的信息。RNN无法利用某个历史输入的未来信息，Bi-RNN则正好相反，它可以同时使用时序数据中某个输入的历史及未来数据。
Bi-RNN网络结构的核心是把一个普通的单项的RNN拆成两个方向，一个随时序正向的，一个逆着时序的反向的



pytorch 双向LSTM 双向融合 代码 双向lstm网络_git



感觉上面的图就很直观了，看箭头就可以很容易的发现有正向的箭头和反向的箭头，也就代表时序的不同。注意一点就是，我们发现正向节点和反向节点是不共用的，作为输出的时候是两个节点输出一个结果。



Bi-RNN中的每个RNN单元既可以是传统的RNN，也可以是LSTM单元或者GRU单元，同样也可以叠加多层Bi-RNN，进一步抽象的提炼出特征。如果最后使用作分类任务，我们可以将Bi-RNN的输出序列连接一个全连接层，或者连接全局平均池化Global Average Pooling，最后再接Softmax层，这部分和使用卷积神经网络部分一致，如果有不理解Softmax这些概念的建议看下cs231n系列的课程，里面的概念还是讲解的非常清晰的。



2.Bidirectional LSTM Classifier的代码实现




#coding:utf-8 
  
#代码主要是使用Bidirectional LSTM Classifier对MNIST数据集上进行测试 
  
#导入常用的数据库，并下载对应的数据集 
  
import tensorflow as tf 
  
import numpy as np 
  
from tensorflow.examples.tutorials.mnist import input_data 
  
mnist = input_data.read_data_sets("E:/Anaconda/DATA/sp504", one_hot = True) 
  
 

   #设置对应的训练参数 
  
learning_rate = 0.01 
  
max_samples = 400000 
  
batch_size = 128 
  
display_step = 10 
  
 

   n_input = 28 
  
n_steps = 28 
  
n_hidden = 256 
  
n_classes = 10 
  
 

   #创建输入x和学习目标y的placeholder，这里我们的样本被理解为一个时间序列，第一个维度是时间点n_step，第二个维度是每个时间点的数据n_inpt。同时，在最后创建Softmax层的权重和偏差 
  
x = tf.placeholder("float", [None, n_steps, n_input]) 
  
y = tf.placeholder("float", [None, n_classes]) 
  
 

   weights = tf.Variable(tf.random_normal([2 * n_hidden, n_classes])) 
  
biases = tf.Variable(tf.random_normal([n_classes])) 
  
 

   #定义Bidirectional LSTM网络的生成函数 
  
def BiRNN(x, weights, biases): 
  
 

       x = tf.transpose(x, [1, 0, 2]) 
  
    x = tf.reshape(x, [-1, n_input]) 
  
    x = tf.split(x, n_steps) 
  
 

       lstm_fw_cell = tf.contrib.rnn.BasicLSTMCell(n_hidden, forget_bias = 1.0) 
  
    lstm_bw_cell = tf.contrib.rnn.BasicLSTMCell(n_hidden, forget_bias = 1.0) 
  
 

       outputs, _, _ = tf.contrib.rnn.static_bidirectional_rnn(lstm_fw_cell, 
  
                                                            lstm_bw_cell, x, 
  
                                                            dtype = tf.float32) 
  
    return tf.matmul(outputs[-1], weights) + biases 
  
 

   #使用tf.nn.softmax_cross_entropy_with_logits进行softmax处理并计算损失 
  
pred = BiRNN(x, weights, biases) 
  
cost = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(logits = pred, labels = y)) 
  
optimizer = tf.train.AdamOptimizer(learning_rate = learning_rate).minimize(cost) 
  
 

   correct_pred = tf.equal(tf.argmax(pred, 1), tf.argmax(y, 1)) 
  
accuracy = tf.reduce_mean(tf.cast(correct_pred, tf.float32)) 
  
 

   init = tf.global_variables_initializer()


#开始执行训练和测试操作 
  
with tf.Session() as sess: 
  
    sess.run(init) 
  
    step = 1 
  
    while step * batch_size < max_samples: 
  
        batch_x, batch_y = mnist.train.next_batch(batch_size) 
  
        batch_x = batch_x.reshape((batch_size, n_steps, n_input)) 
  
        sess.run(optimizer, feed_dict = {x: batch_x, y: batch_y}) 
  
        if step % display_step == 0: 
  
            acc = sess.run(accuracy, feed_dict = {x: batch_x, y: batch_y}) 
  
            loss = sess.run(cost, feed_dict = {x: batch_x, y: batch_y}) 
  
            print("Iter" + str(step * batch_size) + ", Minibatch Loss = " + \ 
  
                "{:.6f}".format(loss) + ", Training Accuracy = " + \ 
  
                "{:.5f}".format(acc)) 
  
        step += 1 
  
    print("Optimization Finished!")



test_len = 10000 
  
    test_data = mnist.test.images[:test_len].reshape((-1, n_steps, n_input)) 
  
    test_label = mnist.test.labels[:test_len] 
  
    print("Testing Accuracy:", sess.run(accuracy, feed_dict = {x: test_data, y: test_label}))