了解用于序列分类的 LSTM 架构

Question

我在 pytorch 中有这个模型，一直用于序列分类。

class RoBERT_Model(nn.Module):

    def __init__(self, hidden_size = 100):
        self.hidden_size = hidden_size
        super(RoBERT_Model, self).__init__()
        self.lstm = nn.LSTM(768, hidden_size, num_layers=1, bidirectional=False)
        self.out = nn.Linear(hidden_size, 2)

    def forward(self, grouped_pooled_outs):
        # chunks_emb = pooled_out.split_with_sizes(lengt) # splits the input tensor into a list of tensors where the length of each sublist is determined by length

        seq_lengths = torch.LongTensor([x for x in map(len, grouped_pooled_outs)]) # gets the length of each sublist in chunks_emb and returns it as an array

        batch_emb_pad = nn.utils.rnn.pad_sequence(grouped_pooled_outs, padding_value=-91, batch_first=True) # pads each sublist in chunks_emb to the largest sublist with value -91
        batch_emb = batch_emb_pad.transpose(0, 1)  # (B,L,D) -> (L,B,D)
        lstm_input = nn.utils.rnn.pack_padded_sequence(batch_emb, seq_lengths, batch_first=False, enforce_sorted=False) # seq_lengths.cpu().numpy()

        packed_output, (h_t, h_c) = self.lstm(lstm_input, )  # (h_t, h_c))
        # output, _ = nn.utils.rnn.pad_packed_sequence(packed_output, padding_value=-91)
        h_t = h_t.view(-1, self.hidden_size) # (-1, 100)

        return self.out(h_t) # logits

我遇到的问题是我不完全相信哪些数据被传递到最终分类层。我相信正在做的是只有最后一层中的最终 LSTM 单元被用于分类。那就是有 hidden_size 个特征被传递到前馈层。

我在这里描述了我认为在这个图中发生的事情：

这个理解对吗？我错过了什么吗？

谢谢。

Answer 1

您的代码是用于分类的基本 LSTM，使用单个 rnn 层。

在你的图片中你有多个 LSTM 层，而实际上只有一个，图片中 H_n^0。

您对 LSTM 的输入具有评论中正确指出的 (B, L, D) 形状。
packed_output 和 h_c 根本不使用，因此您可以将此行更改为： _, (h_t, _) = self.lstm(lstm_input) 为了不让图片进一步混乱
h_t 是 每个批次元素 最后一步的输出，通常 (B, D * L, hidden_size)。由于此神经网络 不是双向的 D=1，因为您也有单层 L=1，因此输出的形状为 (B, 1, hidden_size)。
此输出被重塑为 nn.Linear 兼容（此行：h_t = h_t.view(-1, self.hidden_size)）并将为您提供形状 (B, hidden_size)
此输入被馈送到单个 nn.Linear 层。

一般来说，RNN 最后一个时间步的输出用于批次中的每个元素，在您的图片中 H_n^0 并简单地馈送到分类器。

顺便说一下，在分类中使用 self.out = nn.Linear(hidden_size, 2) 可能会适得其反；您很可能正在执行二进制分类，并且可能会使用 self.out = nn.Linear(hidden_size, 1) 和 torch.nn.BCEWithLogitsLoss。单个 logit 包含标签应该是 0 还是 1 的信息；根据 nn，小于 0 的所有内容更有可能是 0，所有大于 0 的内容都被视为 1 标签。

了解用于序列分类的 LSTM 架构

Understanding the architecture of an LSTM for sequence classification

lstm

recurrent-neural-network

pytorch