10.4. Улучшенные методы использования рекуррентных сетей    373

однако.она.не.определяет,.что.именно.делает.ячейка,.—.это.зависит.от.весов. в.ячейке..Одна.и.та.же.ячейка.с.разными.весами.может.действовать.совершенно. иначе..Поэтому.набор.операций,.образующих.ячейку.RNN,.лучше.рассматривать. как.набор.ограничений.в.вашем.поиске,.а.не.как.дизайн.в.инженерном.смысле.

Рис. 10.10. Анатомия LSTM

С.точки.зрения.исследователя,.выбор.таких.ограничений.—.особенностей.реа­ лизации.ячеек.RNN.—.лучше.переложить.на.алгоритмы.оптимизации.(такие.как. обобщенные.алгоритмы.обучения.с.подкреплением).и.избавить.людей-инже- неров.от.него..В.будущем.именно.так.мы.и.будем.строить.сети..Подводя.итог,. можно.сказать,.что.от.вас.не.требуется.понимания.особенности.архитектуры. ячейки.LSTM,.это.не.ваша.задача.как.человека..Просто.помните.назначение.ячейки. LSTM:.позволить.прошлой.информации.повторно.внедриться.в.процесс.обучения. и.оказать.сопротивление.проблеме.затухания.градиента.

10.4. УЛУЧШЕННЫЕ МЕТОДЫ ИСПОЛЬЗОВАНИЯ РЕКУРРЕНТНЫХ НЕЙРОННЫХ СЕТЕЙ

Теперь.вы.знаете:

. что.такое.рекуррентные.нейронные.сети.(RNN).и.как.они.работают;

.что.такое.LSTM.и.почему.на.длинных.последовательностях.этот.подход.дает. лучшие.результаты,.чем.простое.решение.на.основе.RNN;

. как.использовать.слои.RNN.в.Keras.для.обработки.последовательных.данных.

Далее.мы.рассмотрим.некоторые.дополнительные.возможности.рекуррентных. сетей,.которые.помогут.вам.извлечь.максимальную.выгоду.из.последовательных.

374    Глава 10. Глубокое обучение на временных последовательностях

моделей.глубокого.обучения..К.концу.раздела.вы.будете.знать.большую.часть. из.того,.что.нужно.знать.об.использовании.рекуррентных.сетей.в.Keras.

Мы.рассмотрим.следующие.приемы:

.рекуррентное прореживание.—.особый.встроенный.способ.использования. прореживания.для.борьбы.с.переобучением.в.рекуррентных.слоях;

.наложение рекуррентных слоев.—.способ.увеличения.репрезентативности. сети.(за.счет.увеличения.объема.вычислений);

.двунаправленные рекуррентные слои.—.представляют.одну.и.ту.же.информа- цию.в.рекуррентной.сети.разными.способами,.повышая.точность.и.ослабляя. проблемы,.связанные.с.забыванием.

Мы.используем.эти.приемы.для.совершенствования.нашей.рекуррентной.сети. предсказания.температуры.

10.4.1. Использование рекуррентного прореживания для борьбы с переобучением

Вернемся.к.модели.LSTM,.которую.мы.создали.в.пункте.10.2.5,.—.нашей.первой. модели,.сумевшей.превзойти.базовый.уровень..Из.кривых.потерь.на.обучающих. и.проверочных.данных.(см..рис..10.5).видно,.что,.несмотря.на.небольшое.число. параметров.слоя,.в.модели.быстро.наступает.эффект.переобучения:.потери.на. обучающих.и.проверочных.данных.начинают.значительно.отличаться.уже.после.нескольких.эпох..Вы.уже.знакомы.с.классическим.приемом.противостоя- ния.этому.явлению.—.прореживанием,.когда.обнуляются.случайно.выбранные. входные.значения,.чтобы.разрушить.неожиданные.корреляции.в.обучающих. данных,.влияющих.на.слой..Однако.правильное.применение.прореживания. в.рекуррентных.сетях.—.сложная.задача.

Давно.известно,.что.применение.прореживания.перед.рекуррентным.слоем. скорее.мешает.обучению,.а.не.помогает.регуляризации..В.2016.году.Ярин.Гал. в.рамках.своей.докторской.диссертации.по.байесовскому.глубокому.обучению1 . определил.правильный.способ.применения.прореживания.к.рекуррентным. сетям:.ко.всем.временным.интервалам.должна.применяться.одна.и.та.же.маска. прореживания.(должны.обнуляться.одни.и.те.же.значения).и.не.изменяться.от. интервала.к.интервалу..Более.того,.для.регуляризации.представлений,.сфор- мированных.рекуррентными.слоями,.такими.как.GRU .и.LSTM,.временно-посто-

1. Gal Y..Uncertainty.in.Deep.Learning.(PhD.Thesis)..October.13,.2016,.http://mng.bz/ WBq1.

10.4. Улучшенные методы использования рекуррентных сетей    375

янная.маска.прореживания.должна.применяться.к.внутренним.рекуррентным. активациям.слоя.(рекуррентная.маска.прореживания)..Применение.той.же. маски.прореживания.к.каждому.интервалу.времени.позволяет.сети.правильно. распространить.свою.ошибку.обучения.во.времени;.временно-случайная.маска. нарушит.этот.сигнал.ошибки.и.навредит.процессу.обучения.

Ярин.Гал.провел.исследования.с.использованием.Keras.и.помог.встроить.этот. механизм.непосредственно.в.рекуррентные.слои.Keras..Каждый.рекуррентный. слой.в.Keras.обладает.двумя.аргументами,.имеющими.отношение.к.прореживанию:.dropout,.вещественным.числом,.определяющим.долю.прореживаемых. входных.значений.слоя,.и.recurrent_dropout,.определяющим.долю.прореживаемых.рекуррентных.значений..Давайте.добавим.прореживание.входных.и.рекуррентных.значений.в.слой.LSTM .и.посмотрим,.как.это.повлияет.на.переобучение.

Прореживание.позволяет.в.меньшей.степени.полагаться.на.размер.сети.для. регуляризации,.поэтому.мы.используем.слой.LSTM.с.вдвое.большим.количеством.параметров,.что,.как.я.надеюсь,.обеспечит.большую.выразительность.(без. прореживания.такая.сеть.начала.бы.переобучаться.практически.сразу.—.попро- буйте.и.убедитесь.сами)..Поскольку.сети,.регуляризованные.с.применением. прореживания,.всегда.требуют.больше.времени.для.полной.сходимости,.обучим. сеть.за.в.два.раза.большее.количество.эпох.

Листинг 10.22. Обучение и оценка модели на основе LSTM с регуляризацией прореживанием

callbacks = [ keras.callbacks.ModelCheckpoint("jena_lstm_dropout.keras",

save_best_only=True)

]

model.compile(optimizer="rmsprop", loss="mse", metrics=["mae"]) history = model.fit(train_dataset,

epochs=50, validation_data=val_dataset, callbacks=callbacks)

Результаты.показаны.на.рис..10.11..Успех!.Теперь.эффект.переобучения.не.наблюдается.на.протяжении.первых.20.эпох..Мы.достигли.средней.абсолютной. ошибки.2,27.градуса.на.проверочных.данных.(на.7.%.лучше,.чем.базовое.решение. без.использования.машинного.обучения).и.2,45.градуса.на.контрольных.данных. (на.6,5.%.лучше.базового.решения)..Неплохо.

О ПРОИЗВОДИТЕЛЬНОСТИ RNN

Рекуррентные модели с очень небольшим количеством параметров, такие как в этой главе, обычно работают значительно быстрее на простом многоядерном процессоре, чем на графическом, поскольку выполняют умножение небольших матриц, а цепочка умножений плохо поддается распараллеливанию из-за наличия цикла for. Но более крупные RNN могут значительно выиграть от выполнения на GPU.

При выполнении слоев LSTM и GRU на графическом процессоре с параметрами по умолчанию они будут использовать ядро cuDNN — высокооптимизированную реализацию базового алгоритма, созданную в NVIDIA (я упоминал ее в предыдущей главе). Однако ядра cuDNN неидеальны: они быстрые, но негибкие — поэтому, попытавшись сделать что-то, что не поддерживается ядром по умолчанию, вы столкнетесь с резким замедлением, которое заставит вас придерживаться того, что предлагает NVIDIA. Например, рекуррентное прореживание в LSTM и GRU не поддерживается ядрами cuDNN, поэтому его добавление в ваши слои заставит среду выполнения вернуться к рядовой реализации TensorFlow, которая обычно в 2–5 раз медленнее реализации на GPU (хотя имеет ту же вычислительную стоимость).

Чтобы ускорить работу рекуррентного слоя, когда нет возможности использовать cuDNN, попробуйте развернуть его. Развертывание цикла for заключается в удалении инструкции цикла и простого повторения его тела N раз. В случае с RNN развертывание цикла for может помочь библиотеке