Tensorflow RNN-LSTM - 重置隐藏状态

Tensorflow RNN-LSTM - reset hidden state

我正在构建一个用于语言识别的全状态 LSTM。 作为有状态的,我可以用较小的文件训练网络,新的批次就像讨论中的下一句话一样。 但是,为了正确训练网络,我需要在某些批次之间重置 LSTM 的隐藏状态。

我正在使用一个变量来存储 LSTM 的 hidden_state 以提高性能:

    with tf.variable_scope('Hidden_state'):
        hidden_state = tf.get_variable("hidden_state", [self.num_layers, 2, self.batch_size, self.hidden_size],
                                       tf.float32, initializer=tf.constant_initializer(0.0), trainable=False)
        # Arrange it to a tuple of LSTMStateTuple as needed
        l = tf.unstack(hidden_state, axis=0)
        rnn_tuple_state = tuple([tf.contrib.rnn.LSTMStateTuple(l[idx][0], l[idx][1])
                                for idx in range(self.num_layers)])

    # Build the RNN
    with tf.name_scope('LSTM'):
        rnn_output, _ = tf.nn.dynamic_rnn(cell, rnn_inputs, sequence_length=input_seq_lengths,
                                          initial_state=rnn_tuple_state, time_major=True)

现在我对如何重置隐藏状态感到困惑。我已经尝试了两种解决方案,但都不起作用:

第一个解

用 :

重置 "hidden_state" 变量
rnn_state_zero_op = hidden_state.assign(tf.zeros_like(hidden_state))

它确实有效,我认为这是因为在 运行 rnn_state_zero_op 操作之后,拆栈和元组构造没有 "re-played" 到图中。

第二种解法

之后,我尝试用 :

重置细胞状态
rnn_state_zero_op = cell.zero_state(self.batch_size, tf.float32)

好像也没用

问题

我想到了另一个解决方案,但它充其量只是猜测:我没有保留 tf.nn.dynamic_rnn 返回的状态,我已经想到了,但我得到了一个元组,但找不到一种构建操作以重置元组的方法。

在这一点上,我不得不承认我不太了解 tensorflow 的内部工作原理以及是否有可能做我想做的事情。 有正确的方法吗?

谢谢!

感谢 我能够找到一种方法来完全控制是否(以及何时)RNN 的内部状态应该重置为 0。

首先你需要定义一些变量来存储 RNN 的状态,这样你就可以控制它了:

with tf.variable_scope('Hidden_state'):
    state_variables = []
    for state_c, state_h in cell.zero_state(self.batch_size, tf.float32):
        state_variables.append(tf.nn.rnn_cell.LSTMStateTuple(
            tf.Variable(state_c, trainable=False),
            tf.Variable(state_h, trainable=False)))
    # Return as a tuple, so that it can be fed to dynamic_rnn as an initial state
    rnn_tuple_state = tuple(state_variables)

请注意,此版本直接定义了 LSTM 使用的变量,这比我的问题中的版本要好得多,因为您不必取消堆叠并构建元组,这会向图表添加一些操作不能 运行 明确。

其次构建 RNN 并检索最终状态:

# Build the RNN
with tf.name_scope('LSTM'):
    rnn_output, new_states = tf.nn.dynamic_rnn(cell, rnn_inputs,
                                               sequence_length=input_seq_lengths,
                                               initial_state=rnn_tuple_state,
                                               time_major=True)

现在你有了 RNN 的新内部状态。您可以定义两个操作来管理它。

第一个将更新下一批的变量。因此,在下一批中,RNN 的 "initial_state" 将输入前一批的最终状态:

# Define an op to keep the hidden state between batches
update_ops = []
for state_variable, new_state in zip(rnn_tuple_state, new_states):
    # Assign the new state to the state variables on this layer
    update_ops.extend([state_variable[0].assign(new_state[0]),
                       state_variable[1].assign(new_state[1])])
# Return a tuple in order to combine all update_ops into a single operation.
# The tuple's actual value should not be used.
rnn_keep_state_op = tf.tuple(update_ops)

您应该随时将此操作添加到您的会话中 运行 一个批处理并保持内部状态。

注意 :如果您 运行 批次 1 调用了此操作,则批次 2 将从批次 1 的最终状态开始,但如果您不调用它再次 运行 宁批次 2 时,批次 3 也将以批次 1 的最终状态开始。我的建议是每次 运行 RNN 时添加这个操作。

第二个操作将用于将 RNN 的内部状态重置为零:

# Define an op to reset the hidden state to zeros
update_ops = []
for state_variable in rnn_tuple_state:
    # Assign the new state to the state variables on this layer
    update_ops.extend([state_variable[0].assign(tf.zeros_like(state_variable[0])),
                       state_variable[1].assign(tf.zeros_like(state_variable[1]))])
# Return a tuple in order to combine all update_ops into a single operation.
# The tuple's actual value should not be used.
rnn_state_zero_op = tf.tuple(update_ops)

只要您想重置内部状态,就可以调用此操作。

用于一个 LSTM 层的 AMairesse post 的简化版本:

zero_state = tf.zeros(shape=[1, units[-1]])
self.c_state = tf.Variable(zero_state, trainable=False)
self.h_state = tf.Variable(zero_state, trainable=False)
self.init_encoder = tf.nn.rnn_cell.LSTMStateTuple(self.c_state, self.h_state)

self.output_encoder, self.state_encoder = tf.nn.dynamic_rnn(cell_encoder, layer, initial_state=self.init_encoder)

# save or reset states
self.update_ops += [self.c_state.assign(self.state_encoder.c, use_locking=True)]
self.update_ops += [self.h_state.assign(self.state_encoder.h, use_locking=True)]

或者您可以使用 init_encoder 的替换来重置步骤 == 0 处的状态(您需要将 self.step_tf 作为占位符传递到 session.run() 中):

self.step_tf = tf.placeholder_with_default(tf.constant(-1, dtype=tf.int64), shape=[], name="step")

self.init_encoder = tf.cond(tf.equal(self.step_tf, 0),
  true_fn=lambda: tf.nn.rnn_cell.LSTMStateTuple(zero_state, zero_state),
  false_fn=lambda: tf.nn.rnn_cell.LSTMStateTuple(self.c_state, self.h_state))