Question

我尝试了解此模型描述here与以下模型之间的区别：

from keras.layers import Input, LSTM, RepeatVector
from keras.models import Model

inputs = Input(shape=(timesteps, input_dim))
encoded = LSTM(latent_dim)(inputs)

decoded = RepeatVector(timesteps)(encoded)
decoded = LSTM(input_dim, return_sequences=True)(decoded)

sequence_autoencoder = Model(inputs, decoded)
encoder = Model(inputs, encoded)

，这里描述的序列到序列模型是 second describion

有什么区别？第一个没有RepeatVector，而第二个没有RepeatVector？第一个模型是否不将解码器的隐藏状态作为预测的初始状态？

是否有描述第一篇和第二篇的论文？

Answer 1

在使用RepeatVector的模型中，他们没有使用任何形式的幻想预测，也没有处理状态。他们让模型在内部完成所有工作，并且RepeatVector用于将(batch, latent_dim)向量（不是序列）转换为(batch, timesteps, latent_dim)（现在是适当的序列）。

现在，在另一个没有RepeatVector的模型中，秘密在于此附加功能：

def decode_sequence(input_seq):
    # Encode the input as state vectors.
    states_value = encoder_model.predict(input_seq)

    # Generate empty target sequence of length 1.
    target_seq = np.zeros((1, 1, num_decoder_tokens))
    # Populate the first character of target sequence with the start character.
    target_seq[0, 0, target_token_index['\t']] = 1.

    # Sampling loop for a batch of sequences
    # (to simplify, here we assume a batch of size 1).
    stop_condition = False
    decoded_sentence = ''
    while not stop_condition:
        output_tokens, h, c = decoder_model.predict([target_seq] + states_value)

        # Sample a token
        sampled_token_index = np.argmax(output_tokens[0, -1, :])
        sampled_char = reverse_target_char_index[sampled_token_index]
        decoded_sentence += sampled_char

        # Exit condition: either hit max length
        # or find stop character.
        if (sampled_char == '\n' or len(decoded_sentence) > max_decoder_seq_length):
            stop_condition = True

        # Update the target sequence (of length 1).
        target_seq = np.zeros((1, 1, num_decoder_tokens))
        target_seq[0, 0, sampled_token_index] = 1.

        # Update states
        states_value = [h, c]

    return decoded_sentence

这会基于stop_condition运行一个“循环”，以一步一步地创建时间步长。（这样做的好处是使句子没有固定的长度）。

它也显式地获取每个步骤中生成的状态（以保持每个单独步骤之间的正确连接）。

简而言之：

模型1：通过重复潜在矢量来创建长度
模型2：通过循环新步骤直到达到停止条件来创建长度

两种序列模型之间的差异keras（带有和不带有RepeatVector）

1 个答案:

简而言之：