张量流中的语言建模 - 如何绑定嵌入和 softmax 权重

language modeling in tensorflow - how to tie embedding and softmax weights

正如最近的语言建模论文所建议的那样,我想在我的 RNN 语言模型中使用权重绑定。也就是说,我想在嵌入层和 softmax 层之间共享权重。但是,我不确定如何在 TensorFlow 中完成此操作。

我的网络接收形状为 (batch_size, sequence_length) 的输入。嵌入矩阵的形状为 (vocab_size, embedding_size),创建方式如下(我使用的是预训练的 word2vec 嵌入):

        with tf.variable_scope('embedding'):
            self.embedding_matrix = tf.Variable(tf.constant(0.0, shape=[self.vocab_size, self.embd_size]), trainable=False, name='embedding')
            self.embed_placeholder = tf.placeholder(tf.float32, [self.vocab_size, self.embd_size])
            self.embed_init = self.embedding_matrix.assign(self.embed_placeholder)

logits 计算如下:

            output, self.final_state = tf.nn.dynamic_rnn(
                cell,
                inputs=self.inputs,
                initial_state=self.init_state)

            self.output_flat = tf.reshape(output, [-1, cell.output_size])
            softmax_w = tf.get_variable("softmax_w", [self.n_hidden, self.vocab_size], dtype=tf.float32)

            softmax_b = tf.get_variable("softmax_b", [self.vocab_size], dtype=tf.float32)
            logits = tf.nn.xw_plus_b(self.output_flat, softmax_w, softmax_b)
            # Reshape logits to be a 3-D tensor
            self.logits = tf.reshape(logits, [self.batch_size, self.seq_length, self.vocab_size])

我的问题是:

  1. 必须更改为使用嵌入权重的矩阵是 softmax_w,正确吗?
  2. softmax_w 的形状为 (n_hidden, vocab_size)。这如何适合嵌入矩阵的大小?还是我必须确保 n_hidden = embedding_size?
  3. 如何在 TensorFlow 中重用嵌入权重?我知道我必须在 variable_scope.
  4. 中使用 reuse=True

我想出了如何正确实现权重共享:

        with tf.variable_scope('embedding'):
            self.embedding_matrix = tf.get_variable( "embedding", shape=[self.vocab_size, self.n_hidden], dtype=tf.float32, initializer=self.initializer)

            [...]

            # tie input embedding weights to output embedding weights
            with tf.variable_scope("embedding", reuse=True):
                self.softmax_w = tf.transpose(tf.get_variable('embedding'))

            # Set output bias vector to zero as outlined paper
            softmax_b = tf.zeros(shape=[self.vocab_size], dtype=tf.float32, name="softmax_b")