Sequence2层序模型中的层形误差与Keras注意

Question

我正试图用Colab中的Keras实现一个简单的字级序列到序列模型。我正在使用Keras注意层。以下是模型的定义：

embedding_size=200
UNITS=128

encoder_inputs = Input(shape=(None,), name="encoder_inputs")

encoder_embs=Embedding(num_encoder_tokens, embedding_size, name="encoder_embs")(encoder_inputs)

#encoder lstm
encoder = LSTM(UNITS, return_state=True, name="encoder_LSTM") #(encoder_embs)
encoder_outputs, state_h, state_c = encoder(encoder_embs)

encoder_states = [state_h, state_c]

decoder_inputs = Input(shape=(None,), name="decoder_inputs")
decoder_embs = Embedding(num_decoder_tokens, embedding_size, name="decoder_embs")(decoder_inputs)

#decoder lstm
decoder_lstm = LSTM(UNITS, return_sequences=True, return_state=True, name="decoder_LSTM")
decoder_outputs, _, _ = decoder_lstm(decoder_embs, initial_state=encoder_states)

attention=Attention(name="attention_layer")
attention_out=attention([encoder_outputs, decoder_outputs])

decoder_concatenate=Concatenate(axis=-1, name="concat_layer")([decoder_outputs, attention_out])
decoder_outputs = TimeDistributed(Dense(units=num_decoder_tokens, 
                                  activation='softmax', name="decoder_denseoutput"))(decoder_concatenate)

model=Model([encoder_inputs, decoder_inputs], decoder_outputs, name="s2s_model")
model.compile(optimizer='RMSprop', loss='categorical_crossentropy', metrics=['accuracy'])

model.summary()

模型编译很好，没有任何问题。编码器和解码器的输入和输出形状为：

Encoder training input shape:  (4000, 21)
Decoder training input shape:  (4000, 12)
Decoder training target shape:  (4000, 12, 3106)
--
Encoder test input shape:  (385, 21)

这是model.fit代码：

model.fit([encoder_training_input, decoder_training_input], decoder_training_target,
      epochs=100,
      batch_size=32,
      validation_split=0.2,)

当我运行拟合阶段时，我从连接层中得到以下错误：

ValueError: Dimension 1 in both shapes must be equal, but are 12 and 32. 
Shapes are [32,12] and [32,32]. for '{{node s2s_model/concat_layer/concat}} = ConcatV2[N=2, T=DT_FLOAT, Tidx=DT_INT32](s2s_model/decoder_LSTM/PartitionedCall:1,
s2s_model/attention_layer/MatMul_1, s2s_model/concat_layer/concat/axis)' with input shapes: [32,12,128], [32,32,128], [] and with computed input tensors: input[2] = <2>.

因此，前32个是batch_size，128个是来自decoder_outputs和attention_out的输出形状，12是解码器输入的令牌数。我不知道如何解决这个错误，我想我不能更改输入令牌的数量，有什么建议吗

Answer 1

多亏了@majitima解决了这个问题。我将输入交换到注意层，因此

attention=Attention(name="attention_layer")
attention_out=attention([encoder_outputs, decoder_outputs])

输入是

attention=Attention(name="attention_layer")
attention_out=attention([decoder_outputs, encoder_outputs])

与

decoder_concatenate=Concatenate(axis=-1, name="concat_layer")([decoder_outputs, attention_out])

现在一切似乎都正常了，再次感谢@Majitima，希望这能有所帮助

Answer 2

将连接层中的轴=-1替换为轴=1。{a1}中的例子应该说明原因

问题在于传递给串联的输入。您需要指定右轴来连接两个不同形状的矩阵或张量，因为它们在Tensorflow中被称为。形状[32,12,128]和[32,32,128]在传递1引用的第二个维度中有所不同（因为维度从0开始向上）。这将导致形状[32，（12+32），128]，增加第二维度中的元素

当您将axis指定为-1（默认值）时，连接层基本上会在使用前将输入展平，在您的情况下，由于尺寸不同，这不起作用