使用TensorFlow';获得给定序列的下一个单词的概率分布;s RNN(LSTM)语言模型?
我正在运行TensorFlow的RNN(LSTM)语言模型示例。 它运行并完美地报告了这些困惑 我想要的是三件事:使用TensorFlow';获得给定序列的下一个单词的概率分布;s RNN(LSTM)语言模型?,tensorflow,lstm,language-model,Tensorflow,Lstm,Language Model,我正在运行TensorFlow的RNN(LSTM)语言模型示例。 它运行并完美地报告了这些困惑 我想要的是三件事: 给定一个序列(例如w1 w5 w2000 w750),请给出词汇表中下一个单词的概率分布。我不知道如何使用教程中的模型 我希望模型返回最可能序列的排名(例如n-grams),n可以作为输入 及 给定一个序列,我要它的概率 我是TensorFlow和RNNs的新手,所以如果您需要比我提供的更多的信息,请告诉我 语言模型的代码是。我也是tensorflow和RNN的新手,下面是我对您的
语言模型的代码是。我也是tensorflow和RNN的新手,下面是我对您的问题的思考。
假设您有一个包含2000个单词(太小)的语料库,
i-th
LSTM单元格的输出是一个向量,该向量包含2000个元素,每个元素对应一个概率,该向量是(i+1)th
单词的预测概率分布。回到你的问题上来
[w1,w5,w2000,w750]
馈送到RNN,就可以得到四个向量,每个向量有2000个元素(语料库中的单词数),然后选取最后一个输出向量,这是5th
单词的预测概率分布,你也可以对这个向量进行argmax运算,找到5th
位置最可能的单词[w1,w5,w2000,w750]
,在计算RNN之后,您有四个输出向量,表示为[v1,v2,v3,v4]
,然后您只需要在v1
中找到w5
,v2
中w2000
的概率,w750
在v3
中乘以这些概率,这就是您输入的概率(v4不使用,因为它用于预测此序列的下一个单词,w1也不使用,因为它通常是起始标记)python
def inference(inputs):
"""
inputs: a list containing a sequence word ids
"""
outputs = []
state = cell.zero_state(1,tf.float32) # 1 means only one sequence
embed = tf.embedding_lookup(embedding,inputs)
sequence_length = len(inputs)
for i in range(sequence_length):
cell_output,state = cell(embed[:,i,:],state)
logits = tf.nn.xw_plus_b(cell_output,softmax_w,softmax_b)
probability = tf.nn.softmax(logits)
outputs.append(probability)
return outputs
最后的输出是一个包含len(输入)
vectors/tensors的列表,您可以使用sess.run(tensor)
以numpy.array
的形式获取张量值
这是我编写的一个简单函数,应该可以让您大致了解培训结束后如何生成输出。我对tensorflow和RNN也不熟悉,下面是我对您的问题的看法。
假设您有一个包含2000个单词(太小)的语料库,
i-th
LSTM单元格的输出是一个向量,该向量包含2000个元素,每个元素对应一个概率,该向量是(i+1)th
单词的预测概率分布。回到你的问题上来
[w1,w5,w2000,w750]
馈送到RNN,就可以得到四个向量,每个向量有2000个元素(语料库中的单词数),然后选取最后一个输出向量,这是5th
单词的预测概率分布,你也可以对这个向量进行argmax运算,找到5th
位置最可能的单词[w1,w5,w2000,w750]
,在计算RNN之后,您有四个输出向量,表示为[v1,v2,v3,v4]
,然后您只需要在v1
中找到w5
,v2
中w2000
的概率,w750
在v3
中乘以这些概率,这就是您输入的概率(v4不使用,因为它用于预测此序列的下一个单词,w1也不使用,因为它通常是起始标记)python
def inference(inputs):
"""
inputs: a list containing a sequence word ids
"""
outputs = []
state = cell.zero_state(1,tf.float32) # 1 means only one sequence
embed = tf.embedding_lookup(embedding,inputs)
sequence_length = len(inputs)
for i in range(sequence_length):
cell_output,state = cell(embed[:,i,:],state)
logits = tf.nn.xw_plus_b(cell_output,softmax_w,softmax_b)
probability = tf.nn.softmax(logits)
outputs.append(probability)
return outputs
最后的输出是一个包含len(输入)
vectors/tensors的列表,您可以使用sess.run(tensor)
以numpy.array
的形式获取张量值
这是我编写的一个简单函数,应该可以让您大致了解在完成培训后如何生成输出。我知道这可能会晚一些,但无论如何我都会回答。 使用TensorFlow 2,可以使用
model.predict_proba()
函数获得构成模型的类的概率分布。在语言模型的上下文中,这将根据您使用的词汇表生成序列中下一个单词的概率分布
至于你的第二个问题,我不知道是否可能。根据我的理解,这意味着您需要以稍微不同的方式训练您的语言模型。我假设之前,您使用序列的最后一个组件作为标签,但在本例中,您可以使用n-gram序列
你问的最后一个问题也是我目前面临的一个问题。如果你能找到这个问题的答案,请告诉我。我知道这可能会晚一点,但无论如何我都会回答。 使用TensorFlow 2,可以获得cl上的概率分布