假设我有一个经过训练的RNN(例如语言模型),我想看看它自己会产生什么,我应该如何将它的输出反馈给它的输入?
我阅读了以下相关问题:
理论上我很清楚,在tensorflow中我们使用截断的反向传播,所以我们必须定义我们想要“跟踪”的最大步长。此外,我们为批处理预留了一个维度,因此如果我想训练正弦波,就必须输入[None, num_step, 1]
。
以下代码有效:
tf.reset_default_graph()
n_samples=100
state_size=5
lstm_cell = tf.nn.rnn_cell.BasicLSTMCell(state_size, forget_bias=1.)
def_x = np.sin(np.linspace(0, 10, n_samples))[None, :, None]
zero_x = np.zeros(n_samples)[None, :, None]
X = tf.placeholder_with_default(zero_x, [None, n_samples, 1])
output, last_states = tf.nn.dynamic_rnn(inputs=X, cell=lstm_cell, dtype=tf.float64)
pred = tf.contrib.layers.fully_connected(output, 1, activation_fn=tf.tanh)
Y = np.roll(def_x, 1)
loss = tf.reduce_sum(tf.pow(pred-Y, 2))/(2*n_samples)
opt = tf.train.AdamOptimizer().minimize(loss)
sess = tf.InteractiveSession()
tf.global_variables_initializer().run()
# Initial state run
plt.show(plt.plot(output.eval()[0]))
plt.plot(def_x.squeeze())
plt.show(plt.plot(pred.eval().squeeze()))
steps = 1001
for i in range(steps):
p, l, _= sess.run([pred, loss, opt])
LSTM的状态大小是可以改变的,我还尝试了向网络中输入正弦波和零点,在这两种情况下,LSTM在~500次迭代中收敛。到目前为止,我已经了解到,在这种情况下,图由共享其参数的LSTM单元的n_samples
个数组成,只有我才能将输入作为时间序列提供给它们。但是,当生成样本时,网络显式地依赖于它以前的输出—这意味着我不能一次为展开的模型提供数据。我试图计算每一步的状态和输出:
with tf.variable_scope('sine', reuse=True):
X_test = tf.placeholder(tf.float64)
X_reshaped = tf.reshape(X_test, [1, -1, 1])
output, last_states = tf.nn.dynamic_rnn(lstm_cell, X_reshaped, dtype=tf.float64)
pred = tf.contrib.layers.fully_connected(output, 1, activation_fn=tf.tanh)
test_vals = [0.]
for i in range(1000):
val = pred.eval({X_test:np.array(test_vals)[None, :, None]})
test_vals.append(val)
然而,在这个模型中,LSTM单元之间似乎没有连续性。这是怎么回事?
我是否必须用100个时间步初始化一个零数组,并将每次运行的结果分配到数组中?就像给网络提供这个:
运行0:input_feed = [0, 0, 0 ... 0]; res1 = result
运行1:input_feed = [res1, 0, 0 ... 0]; res2 = result
运行1:input_feed = [res1, res2, 0 ... 0]; res3 = result
等等。。。
如果我想使用这个经过训练的网络在下一个时间步中使用自己的输出作为输入,该怎么办?
如果我理解正确的话,你想找到一种方法把时间步的输出作为时间步的输入,对吧?为此,您可以在测试时间使用一个相对简单的工作:
None
。tf.nn.dynamic_rnn
(您在发布的示例中这样做)。dynamic_rnn
。也就是说,将模型的定义更改为如下内容:
然后你可以这样做推断:
注意,这也适用于批处理,但是如果在同一批处理中使用不同长度的序列,则可能会更加复杂。
如果你不仅想在测试时,而且想在训练时进行这种预测,这也是可能的,但是实现起来要复杂一些。
我知道我去派对有点晚了,但我想这个要点可能有用:
https://gist.github.com/CharlieCodex/f494b27698157ec9a802bc231d8dcf31
它允许您通过过滤器自动输入,然后作为输入返回到网络。要使形状匹配,可以将
processing
设置为tf.layers.Dense
层。请问任何问题!
编辑:
在您的特定情况下,创建一个lambda,它执行将
dynamic_rnn
输出处理到您的字符向量空间。例如:您可以使用它自己的输出(最后状态)作为下一步输入(初始状态)。 一种方法是:
第二种方法可以是:
相关问题 更多 >
编程相关推荐