Question

我在tflearn中有一个lstm网络，它根据前面单词的上下文预测序列中的下一个单词。这些单词作为特定大小的词汇表的索引被输入网络，并以二进制类输出，例如：

上下文：[45,243,1,1906,4,2,0,0,0,0]

标签：[0,0,0 ....... 1,0,0，...... 0,0,0]（VOCAB_SIZE的长度）

然而，模型每次都学会预测几乎相同的单词，因为我在回归层中使用了“categorical_crossentropy”目标函数。

我想尝试基于单词嵌入（word2vec）来评估损失，我已经为数据集生成了这个。因此，模型预测“你好”，其中地面实况为“hi”，其损失要比预测“披萨”低得多。计划是计算两个嵌入向量之间的余弦，以获得单词之间的“相似性”。

我将这个自定义丢失函数添加到tflearn安装中的objectives.py文件中，但在尝试将预测转换为嵌入向量时遇到了障碍。

tflearn / objectives.py：

vocab = np.loadtxt('/home/vocab.txt',dtype='str')
embedding_model = gensim.models.Word2Vec.load('/home/embedding')

def embedded_similarity(y_pred, y_true):
    global vocab, embedding_model
    with tf.name_scope("Similarity"):
        #convert one-hot format to indices of max values (predictions)
        pred_max = tf.argmax(y_pred,dimension=1)
        true_max = tf.argmax(y_true,dimension=1)

        #convert indices into embedded vectors
        pred_vectors = tf.map_fn(lambda x: embedding_model[vocab[x]], pred_max)
        true_vectors = tf.map_fn(lambda x: embedding_model[vocab[x]], true_max)

        #calc dot product
        dot_products = tf.reduce_sum(tf.mul(pred_vectors,true_vectors),axis=1)

        #return inverse mean of dot products
        return -1*(tf.reduce_mean(dot_products))

返回的错误是：

ValueError: Index out of range using input dim 0; input has only 0 dims for 'Similarity/map/while/strided_slice' (op: 'StridedSlice') with input shapes: [], [1], [1], [1].

这表明我不能使用张量来索引vocab（一个numpy数组）。但是，我不能使用eval（）来获取张量的值，因为这不会在会话中运行。所以我需要一种方法来建立一个索引的一维张量到包含相应的单词向量的张量的转换，以便计算损失。

非常感谢您对此问题的任何帮助或评估我的模型的其他方法。

Answer 1

我用tf.gather来解决这个问题。另外，我通过算法分类的置信度来添加缩放，以修复我遇到无法计算渐变的错误。以下是代码：

在objectives.py：

的标题处的

代码

import numpy as np
import gensim
vocab = np.genfromtxt('/home/vocab.txt',dtype='str')
embedding_model = gensim.models.Word2Vec.load('/home/embedding')
i2v = []
for v in vocab:
i2v.append(embedding_model[v])

embedded_similarity（y_pred，y_true）：

global i2v
with tf.name_scope("Similarity"):

    i2v_tensors = [ tf.cast(tf.constant(iv), tf.float32) for iv in i2v ]
    i2v_tensorarray = tf.pack(i2v_tensors)

    #convert one-hot to indices
    pred_max = tf.cast(tf.argmax(y_pred,dimension=1), tf.int32)
    true_max = tf.cast(tf.argmax(y_true,dimension=1), tf.int32)

    #extract probabilities for scaling later
    pred_iter = tf.concat(tf.constant(1),[y_pred,tf.pack([tf.cast(pred_max,tf.float32)],axis=1)])
    confidence_scaler = 1 / tf.map_fn(lambda x: tf.gather(x, tf.cast(tf.gather(x,tf.constant(5002)),tf.int32)), pred_iter, tf.float32)

    #convert indices into vectors (of type tensor)
    pred_vectors = tf.map_fn(lambda x: tf.gather(i2v_tensorarray, x), pred_max, tf.float32)
    true_vectors = tf.map_fn(lambda x: tf.gather(i2v_tensorarray, x), true_max, tf.float32)

    #calc dot product
    dot_products = tf.reduce_sum(tf.mul(pred_vectors,true_vectors),axis=1)

    #divide by magnitudes
    pred_magnitudes = tf.sqrt(tf.reduce_sum(tf.mul(pred_vectors,pred_vectors),axis=1))
    true_magnitudes = tf.sqrt(tf.reduce_sum(tf.mul(true_vectors,true_vectors),axis=1))

    cosines = dot_products / tf.mul(pred_magnitudes,true_magnitudes)
    loss = -1*tf.cast(cosines, tf.float32) + 2 #min loss is 1, max is 3
    scaled_loss = tf.multiply(loss, confidence_scaler)
    # loss = -1*cosines + 1

    # return inverse sum of dot products
    return tf.reduce_mean(scaled_loss)

但是，我遇到了一个奇怪的错误。当我尝试拟合模型时，代码运行完全正常，直到列出训练和验证样本的数量，如下所示：

---------------------------------
Training samples: 800
Validation samples: 200

然后输出只是冻结，但不是整个计算机。我无法Ctrl-C代码，必须启动另一个终端。系统似乎也没有显着减速，我尝试将训练集大小和批量大小减少到可笑的低数字，但没有结果。

我要将此问题标记为已解决，因为我回答了我遇到的主要问题，但如果有人遇到此类行为，请发表评论。谢谢！

tflearn自定义损失函数的余弦相似性

1 个答案: