在keras后端将矩阵与其他不同形状的矩阵相乘

Question

我正在尝试实施基于 this model 的注意力模型但我希望我的模型不只是看一帧来决定对该帧的注意力，我想要一个模型会尝试根据整个序列来查看帧。所以我正在做的是将每个帧乘以一个序列向量，这是一个 lstm (return_sequence=False)

的输出

这些是修改后的函数：

def build(self, input_shape):

    self.W = self.add_weight((input_shape[-1],),
                             initializer=self.init,
                             name='{}_W'.format(self.name))
    if self.lstm_size is None:
        self.lstm_size = input_shape[-1]
    self.vec_lstm = LSTM(self.lstm_size, return_sequences=False)
    self.vec_lstm.build(input_shape)
    self.seq_lstm = LSTM(self.lstm_size, return_sequences=True)
    self.seq_lstm.build(input_shape)
    self.trainable_weights = [self.W]+self.vec_lstm.trainable_weights + self.seq_lstm.trainable_weights
    super(Attention2, self).build(input_shape)  # Be sure to call this somewhere!

def call(self, x, mask=None):
    vec = self.vec_lstm(x)
    seq = self.seq_lstm(x)

#
    eij = # combine seq and vec somehow?
#
    eij = K.dot(eij,self.W)
    eij = K.tanh(eij)
    a = K.exp(eij)
    a /= K.cast(K.sum(a, axis=1, keepdims=True) + K.epsilon(), K.floatx())
    a = K.expand_dims(a)
    weighted_input = x * a
    attention = K.sum(weighted_input, axis=1)
    return attention

组合 2 个矩阵的原始代码是：

eij = np.zeros((batch_size,sequence_length,frame_size))
for i,one_seq in enumerate(seq):    
    for j,timestep in enumerate(one_seq):
        eij[i,j] = timestep*vec[i]

如果能帮助我用 keras 后端实现这个，我将不胜感激。

谢谢！

Answer 1

这似乎提供了我想要的结果：

vec = vec_lstm(x)        
seq = seq_lstm(x)
repeat_vec = K.repeat(vec,seq.shape[1])
eij = seq * repeat_vec

在keras后端将矩阵与其他不同形状的矩阵相乘

Multiply matrix with other matrix of different shapes in keras backend

deep-learning

keras

attention-model