神经网络与乔姆斯基层次结构项目教程

1. 项目目录结构及介绍

neural_networks_chomsky_hierarchy/
├── models/
│   ├── ndstack_rnn.py
│   ├── rnn.py
│   ├── stack_rnn.py
│   ├── tape_rnn.py
│   └── transformer.py
├── tasks/
│   ├── cs/
│   ├── dcf/
│   ├── regular/
│   └── task.py
├── experiments/
│   ├── constants.py
│   ├── curriculum.py
│   ├── example.py
│   ├── range_evaluation.py
│   ├── training.py
│   └── utils.py
├── README.md
└── requirements.txt

目录结构介绍

• models/: 包含各种神经网络模型的实现，如RNN、Stack-RNN、Tape-RNN和Transformer。
• tasks/: 包含不同层次的任务，如上下文敏感任务（cs）、确定性上下文无关任务（dcf）和正则任务（regular）。task.py 定义了抽象的 GeneralizationTask 类。
• experiments/: 包含实验相关的代码，如训练常量、训练课程、训练脚本、评估循环和实用函数。
• README.md: 项目的介绍和使用说明。
• requirements.txt: 项目依赖的Python包列表。

2. 项目启动文件介绍

项目的启动文件是 experiments/example.py。这个文件提供了一个示例，展示了如何训练和评估一个RNN在Even Pairs任务上的表现。

启动文件内容

# experiments/example.py

# 导入必要的模块
from experiments.training import train_and_evaluate
from tasks.regular.even_pairs import EvenPairsTask
from models.rnn import RNN

# 定义任务和模型
task = EvenPairsTask()
model = RNN(hidden_size=64)

# 训练和评估模型
train_and_evaluate(task, model)

使用方法

1. 确保已经安装了所有依赖项。
2. 激活conda环境并设置PYTHONPATH。
3. 运行以下命令启动示例训练和评估：

python experiments/example.py

3. 项目的配置文件介绍

项目的配置文件主要是 experiments/constants.py，它定义了训练和评估过程中使用的常量。

配置文件内容

# experiments/constants.py

# 训练常量
BATCH_SIZE = 32
LEARNING_RATE = 0.001
NUM_EPOCHS = 100

# 评估常量
EVAL_BATCH_SIZE = 64
EVAL_INTERVAL = 10

配置文件说明

• BATCH_SIZE: 训练时的批次大小。
• LEARNING_RATE: 优化器的学习率。
• NUM_EPOCHS: 训练的总轮数。
• EVAL_BATCH_SIZE: 评估时的批次大小。
• EVAL_INTERVAL: 评估间隔，即每训练多少轮进行一次评估。

通过修改这些常量，可以调整训练和评估的行为。