Tensorflow 图形模式下的GRU/RNN状态与急切执行模式下的GRU/RNN状态_Tensorflow_Keras_Deep Learning

Tensorflow 图形模式下的GRU/RNN状态与急切执行模式下的GRU/RNN状态

tensorflow keras deep-learning

Tensorflow 图形模式下的GRU/RNN状态与急切执行模式下的GRU/RNN状态,tensorflow,keras,deep-learning,Tensorflow,Keras,Deep Learning,我有同样的一段代码，先是在急切执行模式下编写，然后是在图形模式下编写。现在，我不太明白为什么GRU状态在图形模式下不保留，而在渴望模式下工作良好以下是急切模式代码： import tensorflow as tf import xxhash import numpy as np tf.enable_eager_execution() rnn_units = 1024 def hash_code(arr): return xxhash.xxh64(arr).hexdigest()

我有同样的一段代码，先是在急切执行模式下编写，然后是在图形模式下编写。现在，我不太明白为什么GRU状态在图形模式下不保留，而在渴望模式下工作良好

以下是急切模式代码：

import tensorflow as tf 
import xxhash
import numpy as np 
tf.enable_eager_execution()
rnn_units = 1024 
def hash_code(arr): 
    return xxhash.xxh64(arr).hexdigest()

model = tf.keras.Sequential([tf.keras.layers.GRU(rnn_units,
                        return_sequences=True,
                        stateful=True,
                        recurrent_initializer='glorot_uniform', batch_input_shape=[1, None, 256])])

lstm_wt = np.load('lstm_wt.npy', allow_pickle=True) # fixed weights for comparison 
lstm_re_wt = np.load('lstm_re_wt.npy', allow_pickle=True)
lstm_bias = np.load('lstm_bias.npy', allow_pickle=True)
model.layers[0].set_weights([lstm_wt, lstm_re_wt, lstm_bias])

op_embed = np.load('op_embed.npy', allow_pickle=True) # fixed input 
op_lstm = model(op_embed)
print(hash_code(op_lstm.numpy()))

op_lstm = model(op_embed)
print(hash_code(op_lstm.numpy()))

model.layers[0].reset_states() # now reset the state, you'll get back the initial output. 
op_lstm = model(op_embed)
print(hash_code(op_lstm.numpy()))

此代码的输出：

d092fdb4739588a3
cdfdf8b8e292c6e8
d092fdb4739588a3

现在，图形模型代码：

import tensorflow as tf 
import xxhas
import numpy as np 

# checking lstm 
op_embed = np.load('op_embed.npy', allow_pickle=True)
# load op_embed, lstm weights 
lstm_wt = np.load('lstm_wt.npy', allow_pickle=True)
lstm_re_wt = np.load('lstm_re_wt.npy', allow_pickle=True)
lstm_bias = np.load('lstm_bias.npy', allow_pickle=True)

rnn_units = 1024 
layers = tf.keras.layers.GRU(rnn_units,
                        return_sequences=True,
                        stateful=True,
                        recurrent_initializer='glorot_uniform')
x_placeholder = tf.placeholder(shape=op_embed.shape, dtype=tf.float32)
op_lstm = layers(x_placeholder)

sess = tf.Session()
sess.run(tf.global_variables_initializer())
layers.set_weights([lstm_wt, lstm_re_wt, lstm_bias])
tf.assign(layers.weights[0],lstm_wt ).eval(sess)
tf.assign(layers.weights[1], lstm_re_wt).eval(sess)
tf.assign(layers.weights[2], lstm_bias).eval(sess)
print('keras op hash',xxhash.xxh64(sess.run(op_lstm, feed_dict={x_placeholder:op_embed})).hexdigest())
print('keras op hash',xxhash.xxh64(sess.run(op_lstm, feed_dict={x_placeholder:op_embed})).hexdigest())

输出：

keras op hash d092fdb4739588a3
keras op hash d092fdb4739588a3

对于如何在图形模式下修复这种模糊性并保留状态，有什么见解吗？

以前有人问过类似的问题，但没有回答

在此处指定解决方案（答案部分），即使该解决方案存在于问题中提供的解决方案中，也是为了社区的利益

递归神经网络

（

RNN

或

GRU

或

LSTM

）在默认情况下以

非急切模式

图形模式

执行时，会丢失其

状态

如果我们想保留

状态

，我们需要在

RNN

调用期间传递

初始状态

，如下所示：

current_state = np.zeros((1,1))
state_placeholder = tf.placeholder(tf.float32, shape=[1, 1])
output, state = rnn(x, initial_state=state_placeholder)

然后，在执行输出时，我们还需要传递

状态

，以及

输入

的

feed\u dict

那么,代码,

print('keras op hash',xxhash.xxh64(sess.run(op_lstm, feed_dict={x_placeholder:op_embed})).hexdigest())

可以替换为

for _ in range(No_Of_TimeSteps):
        op_val, state_val = sess.run([op_lstm, state], feed_dict={x_placeholder:op_embed})).hexdigest(),
                            state_placeholder: current_state.astype(np.float32)})
        current_state = state_val
        print('keras op hash',xxhash.xxh64(op_val))

希望这有帮助。学习愉快