Python 当状态为True时,如何设置TensorFlow RNN状态?
我写了一封信。该模型作为Python 当状态为True时,如何设置TensorFlow RNN状态?,python,machine-learning,tensorflow,Python,Machine Learning,Tensorflow,我写了一封信。该模型作为RNN类实现。图结构在构造函数中构建,而RNN.train和RNN.test方法运行它 当我移动到培训集中的新文档时,或者当我想在培训期间运行验证集时,我希望能够重置RNN状态。我通过管理训练循环中的状态来实现这一点,并通过提要字典将其传递到图形中 在构造函数中,我这样定义RNN cell = tf.nn.rnn_cell.LSTMCell(hidden_units) rnn_layers = tf.nn.rnn_cell.MultiRNNCell([ce
RNN
类实现。图结构在构造函数中构建,而RNN.train
和RNN.test
方法运行它
当我移动到培训集中的新文档时,或者当我想在培训期间运行验证集时,我希望能够重置RNN状态。我通过管理训练循环中的状态来实现这一点,并通过提要字典将其传递到图形中
在构造函数中,我这样定义RNN
cell = tf.nn.rnn_cell.LSTMCell(hidden_units)
rnn_layers = tf.nn.rnn_cell.MultiRNNCell([cell] * layers)
self.reset_state = rnn_layers.zero_state(batch_size, dtype=tf.float32)
self.state = tf.placeholder(tf.float32, self.reset_state.get_shape(), "state")
self.outputs, self.next_state = tf.nn.dynamic_rnn(rnn_layers, self.embedded_input, time_major=True,
initial_state=self.state)
训练循环如下所示
for document in document:
state = session.run(self.reset_state)
for x, y in document:
_, state = session.run([self.train_step, self.next_state],
feed_dict={self.x:x, self.y:y, self.state:state})
x
和y
是文档中的成批培训数据。我的想法是在每个批处理之后传递最新的状态,除了启动新文档时,通过运行self.reset\u state
将状态归零
这一切都有效。现在我想更改我的RNN以使用推荐的状态\u is\u tuple=True
。但是,我不知道如何通过提要字典传递更复杂的LSTM状态对象。另外,我不知道要传递给构造函数中的self.state=tf.placeholder(…)
行的参数是什么
这里的正确策略是什么?关于dynamic\n
的示例代码或文档仍然不多
TensorFlow问题和相关问题 关于WILDML的一篇文章解决了这些问题,但没有直接给出答案
另请参见。Tensorflow占位符的一个问题是,您只能使用Python列表或Numpy数组(我认为)为其提供数据。因此,无法在LSTMStateTuple的元组中保存运行之间的状态 我用这样的张量来保存状态,解决了这个问题
for document in document:
state = session.run(self.reset_state)
for x, y in document:
_, state = session.run([self.train_step, self.next_state],
feed_dict={self.x:x, self.y:y, self.state:state})
initial_state=np.zero((层数,2,批量大小,状态大小))
LSTM层中有两个组件,单元状态和隐藏状态,这就是“2”的来源。(这篇文章很棒:)
在构建图形时,您将解压缩并创建元组状态,如下所示:
state_placeholder = tf.placeholder(tf.float32, [num_layers, 2, batch_size, state_size])
l = tf.unpack(state_placeholder, axis=0)
rnn_tuple_state = tuple(
[tf.nn.rnn_cell.LSTMStateTuple(l[idx][0],l[idx][1])
for idx in range(num_layers)]
)
然后你会以通常的方式得到新的状态
cell = tf.nn.rnn_cell.LSTMCell(state_size, state_is_tuple=True)
cell = tf.nn.rnn_cell.MultiRNNCell([cell] * num_layers, state_is_tuple=True)
outputs, state = tf.nn.dynamic_rnn(cell, series_batch_input, initial_state=rnn_tuple_state)
不应该是这样的。。。也许他们正在研究一个解决方案。在RNN状态下馈送的一个简单方法是分别馈送状态元组的两个组件
# Constructing the graph
self.state = rnn_cell.zero_state(...)
self.output, self.next_state = tf.nn.dynamic_rnn(
rnn_cell,
self.input,
initial_state=self.state)
# Running with initial state
output, state = sess.run([self.output, self.next_state], feed_dict={
self.input: input
})
# Running with subsequent state:
output, state = sess.run([self.output, self.next_state], feed_dict={
self.input: input,
self.state[0]: state[0],
self.state[1]: state[1]
})
检查
rnn\u单元。_未打包状态
和rnn\u单元。_打包状态
。这些用于rnn.\u dynamic\u rnn\u loop()
将状态作为参数张量列表传递给循环函数。在最新的TensorFlow源代码中,我没有看到字符串\u unpacket\u state
和\u packeted\u state
。这些名字变了吗?嗯,那些已经被删除了。相反,引入了一个新模块tf.python.util.nest
,其中包含类似的flatte
和pack\u sequence\u as
。是否有人尝试更新他们的TF1.0.1代码?API发生了显著的变化。如果只有一个层,它是否会变成状态占位符=tf.占位符(tf.float32[2,批处理大小,状态大小])
和初始状态=np.零((2,批处理大小,状态大小))
?