在 dynamic_rnn 中正确使用 sequence_length

Question

我正在尝试使用 tensorflow 的 dynamic_rnn 为序列 class 化目的设计一个 RNN。我的示例的长度可能会有所不同，通过研究我了解到我可以将 "sequence_length" 作为指定示例长度的参数传递。但是，当我尝试这样做时，我得到了一些奇怪的结果。简而言之，包含变量会阻止我的系统学习，谢天谢地，当我用 0 缓冲我的序列到最大长度时，我仍然能够训练，但我真的很想知道我未来的工作出了什么问题。

我尝试学习的模式很简单，如果我们看到 1 本身，我们将其分配为 class 1，如果我们在序列中的任何位置看到 2，则将其分配为 class 2，如果我们在第一个和第二个时间片中都看到 1，我们应该分配 class 3.

这是我的测试代码：

from __future__ import print_function
import tensorflow as tf
import numpy as np

import random

dataset = [[1, 0], [2, 0], [1,2], [1,1]]
labels = [[1,0,0], [0,1,0], [0,1,0], [0,0,1]]

#---------------------------------------------
#define model

# placeholders
data_ph = tf.placeholder("float", [1, None, 1], name="data_placeholder")
len_ph = tf.placeholder("int32", [1], name="seq_len_placeholder")
y_ph = tf.placeholder("float", [1, None, 3], name="y_placeholder")

n_hidden = 10
n_out = len(labels[0])

# variable definition
out_weights=tf.Variable(tf.random_normal([n_hidden,n_out]))
out_bias=tf.Variable(tf.random_normal([n_out]))

# lstm definition
lstm_cell = tf.nn.rnn_cell.BasicLSTMCell(n_hidden, state_is_tuple=True)
state_series, final_state = tf.nn.dynamic_rnn(
                                        cell=lstm_cell, 
                                        inputs=data_ph, 
                                        dtype=tf.float32,
                                        sequence_length=len_ph,
                                        time_major=False
                                        )
out = state_series[:, -1, :]

prediction=tf.nn.softmax(tf.matmul(out,out_weights)+out_bias)

loss = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(logits=prediction,labels=y_ph))
optimizer=tf.train.AdamOptimizer(learning_rate=1e-3).minimize(loss)

#---------------------------------------------
#run model
sess = tf.InteractiveSession()
sess.run(tf.global_variables_initializer())

#TRAIN
for iteration in range(5000):
    if (iteration%100 == 0):
        print(iteration)
    ind = random.randint(0, len(dataset)-1)

    example = np.reshape(dataset[ind], (1,-1,1))
    label = np.reshape(labels[ind], (1,-1,3))

    vals={data_ph: example,
        len_ph: [len(example)],
        y_ph: label,
    }
    #print(sess.run(state_series, feed_dict=vals))
    sess.run(optimizer, feed_dict=vals)


#TEST
for x in range(len(dataset)):

    example = np.reshape(dataset[x], (1,-1,1))
    label = np.reshape(labels[x], (1,-1,3))
    vals = {data_ph: example,
        len_ph: [len(example)],
        y_ph: label,
    }

    classification = sess.run([prediction, loss], feed_dict=vals)
    print("predicted values: "+str(np.matrix.round(classification[0][0], decimals=2)), "loss: "+str(classification[1]))

当我评估系统时，我定义了 sequence_length 我所有的测试示例 return 相同的预测：

predicted values: [ 0.25999999  0.58999997  0.15000001] loss: 1.19235
predicted values: [ 0.25999999  0.58999997  0.15000001] loss: 0.855842
predicted values: [ 0.25999999  0.58999997  0.15000001] loss: 0.855842
predicted values: [ 0.25999999  0.58999997  0.15000001] loss: 1.30355

将这些结果与我未定义序列长度或将长度固定为 2 时的结果进行比较：

predicted values: [ 0.99000001  0.          0.01      ] loss: 0.559447
predicted values: [ 0.  1.  0.] loss: 0.554004
predicted values: [ 0.          0.92000002  0.08      ] loss: 0.603042
predicted values: [ 0.02        0.02        0.95999998] loss: 0.579448

如有任何意见，我们将不胜感激。谢谢

Answer 1

您传递的 sequence_length 参数实际上设置为 1 而不是 2，这就是网络无法训练的原因。

len(example) returns 1 因为它的形状是 (1,2,1)。您可以使用 len(example.flatten()) 修复它，您应该会看到正确的输出。

在 dynamic_rnn 中正确使用 sequence_length

Correct use of sequence_length in dynamic_rnn

tensorflow

lstm

variable-length