如何处理 TensorFlow 中具有可变长度序列的批处理？

Question

我试图使用 RNN（特别是 LSTM）进行序列预测。但是，我运行遇到了可变序列长度的问题。例如，

sent_1 = "I am flying to Dubain"
sent_2 = "I was traveling from US to Dubai"

我正在尝试使用基于此 Benchmark for building a PTB LSTM model 的简单 RNN 预测当前单词之后的下一个单词。

但是，num_steps 参数（用于展开到之前的隐藏状态）在每个 Tensorflow 的 epoch 中应该保持不变。基本上，批处理句子是不可能的，因为句子的长度不同。

 # inputs = [tf.squeeze(input_, [1])
 #           for input_ in tf.split(1, num_steps, inputs)]
 # outputs, states = rnn.rnn(cell, inputs, initial_state=self._initial_state)

在这里，num_steps需要在我的案例中为每句话进行更改。我尝试了几种破解方法，但似乎没有任何效果。

Answer 1

您可以使用以下描述的分桶和填充思想：

Sequence-to-Sequence Models

此外，创建 RNN 网络的 rnn 函数接受参数 sequence_length。

例如，您可以创建相同大小的句子桶，用必要数量的零填充它们，或者用代表零词的占位符填充它们，然后将它们与 seq_length = len( zero_words).

seq_length = tf.placeholder(tf.int32)
outputs, states = rnn.rnn(cell, inputs, initial_state=initial_state, sequence_length=seq_length)

sess = tf.Session()
feed = {
    seq_length: 20,
    #other feeds
}
sess.run(outputs, feed_dict=feed)

也看看这个 reddit 线程：

Tensorflow basic RNN example with 'variable length' sequences

Answer 2

您可以使用

中描述的分桶和填充的想法

Sequence-to-Sequence Models

创建 RNN 网络的 rnn 函数也接受参数 sequence_length。

例如，您可以创建相同大小的句子桶，用必要数量的零或代表零字的占位符填充它们，然后将它们与 seq_length = len(zero_words).

seq_length = tf.placeholder(tf.int32)
outputs, states = rnn.rnn(cell, inputs,initial_state=initial_state,sequence_length=seq_length)

sess = tf.Session()
feed = {
seq_lenght: 20,
#other feeds
       }
sess.run(outputs, feed_dict=feed)

在这里，最重要的是，如果你想利用一个句子获得的状态作为下一个句子的状态，当你提供 sequence_length 时，（假设 20 和填充后的句子是 50) 。你想要在第 20 个时间步获得的状态。为此，做

tf.pack(states)

在那次通话后

for i in range(len(sentences)):
state_mat   = session.run([states],{
            m.input_data: x,m.targets: y,m.initial_state: state,     m.early_stop:early_stop })
state = state_mat[early_stop-1,:,:]

Answer 3

您可以限制输入序列的最大长度，将较短的序列填充到该长度，记录每个序列的长度并使用 tf.nn.dynamic_rnn 。它像往常一样处理输入序列，但是在序列的最后一个元素之后，由 seq_length 表示，它只是复制细胞状态，对于输出，它输出零张量。

Answer 4

您可以改用 dynamic_rnn 并通过将数组传递给 sequence_length 参数来指定每个序列的长度，即使在一个批次中也是如此。示例如下：

def length(sequence):
    used = tf.sign(tf.reduce_max(tf.abs(sequence), reduction_indices=2))
    length = tf.reduce_sum(used, reduction_indices=1)
    length = tf.cast(length, tf.int32)
    return length

from tensorflow.nn.rnn_cell import GRUCell

max_length = 100
frame_size = 64
num_hidden = 200

sequence = tf.placeholder(tf.float32, [None, max_length, frame_size])
output, state = tf.nn.dynamic_rnn(
    GRUCell(num_hidden),
    sequence,
    dtype=tf.float32,
    sequence_length=length(sequence),
)

代码取自一个perfect article的话题，也请查收。

更新：dynamic_rnn 与 rnn 上的另一个 great post 你可以找到

Answer 5

很抱歉 post 关于一个死问题，但我刚刚提交了一个 PR 以获得更好的解决方案。 dynamic_rnn 非常灵活但非常慢。如果它是您唯一的选择，它会起作用，但 CuDNN 速度要快得多。此 PR 为 CuDNNLSTM 添加了对可变长度的支持，因此希望您能尽快使用它。

您需要按长度降序对序列进行排序。然后你可以pack_sequence，运行你的RNN，然后unpack_sequence。

https://github.com/tensorflow/tensorflow/pull/22308

如何处理 TensorFlow 中具有可变长度序列的批处理？

How to deal with batches with variable-length sequences in TensorFlow?

python

tensorflow

lstm

recurrent-neural-network