Tensorflow RNN-LSTM - 重置隐藏状态

Question

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

在之后，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！

Answer 1

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。

Answer 2

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))

Tensorflow RNN-LSTM - 重置隐藏状态

Tensorflow RNN-LSTM - reset hidden state

stateful

tensorflow

rnn