Tensorflow 连续文本序列到序列。为什么要分批？

Question

我正在构建一个序列到序列的莎士比亚预测器并查看示例代码，它似乎以 50 个字符为一组进行批处理。我对此有点困惑。如果文本是连续的并且您正在处理 50 个字符的块，那么这肯定意味着您只会根据第 50 个字符之后的下一个预期字符计算损失，并且永远不会在下一个预期字符上训练模型其他 49 个字符。换句话说，如果你有 1000 个字符和 20 组 50 个字符，它只会被教导预测 20 个不同的字符。难道这些批次不应该在每个时期都随机移动一个偏移量，以便它学习如何预测其他字符吗？

这肯定不对吧？我的理解中缺少什么？

此外，批次是否始终按顺序处理？当状态被结转以表示之前的序列时，这当然很重要。

谢谢雷

7 月 24 日更新：这是原始代码...

    self.num_batches = int(self.tensor.size / (self.batch_size *
                                               self.seq_length))

    # When the data (tensor) is too small,
    # let's give them a better error message
    if self.num_batches == 0:
        assert False, "Not enough data. Make seq_length and batch_size small."

    self.tensor = self.tensor[:self.num_batches * self.batch_size * self.seq_length]
    xdata = self.tensor
    ydata = np.copy(self.tensor)
    ydata[:-1] = xdata[1:]
    ydata[-1] = xdata[0]
    self.x_batches = np.split(xdata.reshape(self.batch_size, -1),
                              self.num_batches, 1)
    self.y_batches = np.split(ydata.reshape(self.batch_size, -1),
                              self.num_batches, 1)

据我所知，它似乎没有重叠，但我是 Python 的新人，所以可能遗漏了一些东西。

Answer 1

如果您有 1000 chars，并且如果您创建 50 chars 的 20 sets，那将变成一个非重叠的 window，并且如您所说，它不起作用.相反，您考虑通过移动一个字符来重叠 window 并创建 (1000-50) sets 训练数据。这才是正确的做法。

Tensorflow 连续文本序列到序列。为什么要分批？

Tensor flow continuous text sequence-to-sequence. Why batch?

batching

tensorflow

sequence-to-sequence

rnn