初始化 LSTM 隐藏状态 Tensorflow/Keras

Question

有人可以解释一下如何在 tensorflow 中初始化 LSTM 的隐藏状态吗？我正在尝试构建 LSTM 循环自动编码器，所以在我训练了该模型之后，我想将学习的无监督模型的隐藏状态转移到监督模型的隐藏状态。当前 API 甚至可能吗？这是我正在尝试重新制作的纸张：

http://papers.nips.cc/paper/5949-semi-supervised-sequence-learning.pdf

Answer 1

是的 - 这是可能的，但确实很麻烦。让我们来看一个例子。

定义模型：
```
from keras.layers import LSTM, Input
from keras.models import Model

input = Input(batch_shape=(32, 10, 1))
lstm_layer = LSTM(10, stateful=True)(input)

model = Model(input, lstm_layer)
model.compile(optimizer="adam", loss="mse")
```
首先构建和编译模型很重要，因为在编译时会重置初始状态。此外 - 您需要指定 batch_shape，其中指定 batch_size，因为在这种情况下我们的网络应该是 stateful（这是通过设置 stateful=True 模式来完成的。

现在我们可以设置初始状态的值：

import numpy
import keras.backend as K

hidden_states = K.variable(value=numpy.random.normal(size=(32, 10)))
cell_states = K.variable(value=numpy.random.normal(size=(32, 10)))

model.layers[1].states[0] = hidden_states
model.layers[1].states[1] = cell_states

请注意，您需要将状态作为 keras 变量提供。 states[0] 保存隐藏状态，states[1] 保存细胞状态。

希望对您有所帮助。

Answer 2

假设 RNN 在第 1 层并且 hidden/cell 状态是 numpy 数组。你可以这样做：

from keras import backend as K

K.set_value(model.layers[1].states[0], hidden_states)
K.set_value(model.layers[1].states[1], cell_states)

也可以使用

设置状态

model.layers[1].states[0] = hidden_states
model.layers[1].states[1] = cell_states

但是当我这样做时，即使在步进 RNN 之后，我的状态值也保持不变。

Answer 3

我使用了这种方法，完全适合我：

lstm_cell = LSTM(cell_num, return_state=True) 

output, h, c = lstm_cell(input, initial_state=[h_prev, c_prev])

Answer 4

如 Keras API 循环层文档 (https://keras.io/layers/recurrent/) 中所述：

Note on specifying the initial state of RNNs

You can specify the initial state of RNN layers symbolically by calling them with the keyword argument initial_state. The value of initial_state should be a tensor or list of tensors representing the initial state of the RNN layer.

You can specify the initial state of RNN layers numerically by calling reset_states with the keyword argument states. The value of states should be a numpy array or list of numpy arrays representing the initial state of the RNN layer.

由于 LSTM 层有两个状态（隐藏状态和单元状态），initial_state 和 states 的值是两个张量的列表。

例子

无状态 LSTM

输入形状：（批次、时间步长、特征）=（1、10、1）
LSTM 层中的单元数 = 8（即隐藏和单元状态的维数）

import tensorflow as tf
import numpy as np

inputs = np.random.random([1, 10, 1]).astype(np.float32)

lstm = tf.keras.layers.LSTM(8)

c_0 = tf.convert_to_tensor(np.random.random([1, 8]).astype(np.float32))
h_0 = tf.convert_to_tensor(np.random.random([1, 8]).astype(np.float32))

outputs = lstm(inputs, initial_state=[h_0, c_0])

有状态 LSTM

输入形状：（批次、时间步长、特征）=（1、10、1）
LSTM 层中的单元数 = 8（即隐藏和单元状态的维数）

请注意，对于有状态 lstm，您还需要指定 batch_size。

import tensorflow as tf
import numpy as np
from pprint import pprint

inputs = np.random.random([1, 10, 1]).astype(np.float32)

lstm = tf.keras.layers.LSTM(8, stateful=True, batch_size=(1, 10, 1))

c_0 = tf.convert_to_tensor(np.random.random([1, 8]).astype(np.float32))
h_0 = tf.convert_to_tensor(np.random.random([1, 8]).astype(np.float32))

outputs = lstm(inputs, initial_state=[h_0, c_0])

使用有状态 LSTM，状态不会在每个序列的末尾重置，我们可以注意到层的输出对应于最后一个时间步的隐藏状态（即 lstm.states[0]）：

>>> pprint(outputs)
<tf.Tensor: id=821, shape=(1, 8), dtype=float32, numpy=
array([[ 0.07119043,  0.07012419, -0.06118739, -0.11008392,  0.00573938,
        -0.05663438,  0.11196419,  0.02663924]], dtype=float32)>
>>>
>>> pprint(lstm.states)
[<tf.Variable 'lstm_1/Variable:0' shape=(1, 8) dtype=float32, numpy=
array([[ 0.07119043,  0.07012419, -0.06118739, -0.11008392,  0.00573938,
        -0.05663438,  0.11196419,  0.02663924]], dtype=float32)>,
 <tf.Variable 'lstm_1/Variable:0' shape=(1, 8) dtype=float32, numpy=
array([[ 0.14726108,  0.13584498, -0.12986949, -0.22309153,  0.0125412 ,
        -0.11446435,  0.22290672,  0.05397629]], dtype=float32)>]

调用 reset_states() 可以重置状态：

>>> lstm.reset_states()
>>> pprint(lstm.states)
[<tf.Variable 'lstm_1/Variable:0' shape=(1, 8) dtype=float32, numpy=array([[0., 0., 0., 0., 0., 0., 0., 0.]], dtype=float32)>,
 <tf.Variable 'lstm_1/Variable:0' shape=(1, 8) dtype=float32, numpy=array([[0., 0., 0., 0., 0., 0., 0., 0.]], dtype=float32)>]
>>>

或将它们设置为特定值：

>>> lstm.reset_states(states=[h_0, c_0])
>>> pprint(lstm.states)
[<tf.Variable 'lstm_1/Variable:0' shape=(1, 8) dtype=float32, numpy=
array([[0.59103394, 0.68249655, 0.04518601, 0.7800545 , 0.3799634 ,
        0.27347744, 0.54415804, 0.9889024 ]], dtype=float32)>,
 <tf.Variable 'lstm_1/Variable:0' shape=(1, 8) dtype=float32, numpy=
array([[0.43390197, 0.28252542, 0.27139077, 0.19655049, 0.7568088 ,
        0.05909375, 0.68569875, 0.19087408]], dtype=float32)>]
>>>
>>> pprint(h_0)
<tf.Tensor: id=422, shape=(1, 8), dtype=float32, numpy=
array([[0.59103394, 0.68249655, 0.04518601, 0.7800545 , 0.3799634 ,
        0.27347744, 0.54415804, 0.9889024 ]], dtype=float32)>
>>>
>>> pprint(c_0)
<tf.Tensor: id=421, shape=(1, 8), dtype=float32, numpy=
array([[0.43390197, 0.28252542, 0.27139077, 0.19655049, 0.7568088 ,
        0.05909375, 0.68569875, 0.19087408]], dtype=float32)>
>>>

初始化 LSTM 隐藏状态 Tensorflow/Keras

Initializing LSTM hidden state Tensorflow/Keras

neural-network

deep-learning

lstm

keras

tensorflow

例子

无状态 LSTM

有状态 LSTM