Python Tensorflow seq2seq chatbot始终提供相同的输出
我试图用Tensorflow制作一个seq2seq聊天机器人,但它似乎收敛到相同的输出,尽管输入不同。该模型在首次初始化时给出不同的输出,但在几个时期后迅速收敛到相同的输出。即使经历了许多时代和低成本,这仍然是一个问题。然而,当使用较小的数据集(比如20个)进行训练时,这些模型似乎表现良好,但在使用较大的数据集时却失败了 我正在康奈尔大学电影对话语料库上进行培训,其中有一个100维和50000个vocab的手套预训练嵌入 当给定完全不同的输入时,编码器似乎具有非常接近的最终状态(范围约为0.01)。我尝试过使用简单的LSTM/GRU、双向LSTM/GRU、多层/堆叠LSTM/GRU和多层双向LSTM/GRU。rnn节点已经用16到2048个隐藏单元进行了测试。唯一的区别是,当隐藏单位较少时,模型倾向于只输出开始和结束标记(GO和EOS) 对于多层GRU,以下是我的代码:Python Tensorflow seq2seq chatbot始终提供相同的输出,python,tensorflow,machine-learning,deep-learning,seq2seq,Python,Tensorflow,Machine Learning,Deep Learning,Seq2seq,我试图用Tensorflow制作一个seq2seq聊天机器人,但它似乎收敛到相同的输出,尽管输入不同。该模型在首次初始化时给出不同的输出,但在几个时期后迅速收敛到相同的输出。即使经历了许多时代和低成本,这仍然是一个问题。然而,当使用较小的数据集(比如20个)进行训练时,这些模型似乎表现良好,但在使用较大的数据集时却失败了 我正在康奈尔大学电影对话语料库上进行培训,其中有一个100维和50000个vocab的手套预训练嵌入 当给定完全不同的输入时,编码器似乎具有非常接近的最终状态(范围约为0.01
cell_encode_0 = tf.contrib.rnn.GRUCell(self.n_hidden)
cell_encode_1 = tf.contrib.rnn.GRUCell(self.n_hidden)
cell_encode_2 = tf.contrib.rnn.GRUCell(self.n_hidden)
self.cell_encode = tf.contrib.rnn.MultiRNNCell([cell_encode_0, cell_encode_1, cell_encode_2])
# identical decoder
...
embedded_x = tf.nn.embedding_lookup(self.word_embedding, self.x)
embedded_y = tf.nn.embedding_lookup(self.word_embedding, self.y)
_, self.encoder_state = tf.nn.dynamic_rnn(
self.cell_encode,
inputs=embedded_x,
dtype=tf.float32,
sequence_length=self.x_length
)
# decoder for training
helper = tf.contrib.seq2seq.TrainingHelper(
inputs=embedded_y,
sequence_length=self.y_length
)
decoder = tf.contrib.seq2seq.BasicDecoder(
self.cell_decode,
helper,
self.encoder_state,
output_layer=self.projection_layer
)
outputs, _, _ = tf.contrib.seq2seq.dynamic_decode(decoder, maximum_iterations=self.max_sequence, swap_memory=True)
return outputs.rnn_output
...
# Optimization
dynamic_max_sequence = tf.reduce_max(self.y_length)
mask = tf.sequence_mask(self.y_length, maxlen=dynamic_max_sequence, dtype=tf.float32)
crossent = tf.nn.sparse_softmax_cross_entropy_with_logits(
labels=self.y[:, :dynamic_max_sequence], logits=self.network())
self.cost = (tf.reduce_sum(crossent * mask) / batch_size)
self.train_op = tf.train.AdamOptimizer(self.learning_rate).minimize(self.cost)
有关完整代码,请参阅。(如果要测试它,请运行train.py)
至于超参数,我尝试了从0.1到0.0001的学习率,以及从1到32的批量大小。除了常规的和预期的效果之外,它们对问题没有帮助。经过几个月的研究,我终于找到了问题所在。似乎RNN在解码器输入中需要GO令牌,但在输出中不需要GO令牌(您为节省成本而使用的)。基本上,RNN预期其数据如下: 编码器输入:GO foo foo EOS 解码器输入/地面真相:GO bar EOS 解码器输出:bar EOS EOS/PAD 在我的代码中,我在解码器输入和输出中都包含了GO标记,导致RNN重复相同的标记(GO->GO,bar->bar)。这可以通过创建一个没有基本事实第一列(GO标记)的附加变量来轻松解决。在numpy中,这看起来像
# y is ground truth with shape[0] = batch and shape[1] = token index
np.concatenate([y[:, 1:], np.full([y.shape[0], 1], EOS)], axis=1)