Question

我的问题是：tf.nn.dynamic_rnn和keras.layers.RNN(cell)是否与文档中所述完全相同？

我正计划构建RNN，但是似乎tf.nn.dynamic_rnn偏向Keras。

特别指出：

警告：不建议使用此功能。将来会删除版。更新说明：请使用keras.layers.RNN（cell），等同于该API

但是在可变长度的情况下，我看不到API的等效性！

在原始TF中，我们可以指定形状为(batch_size, seq_lengths)的张量。这样，如果我们的序列为[0, 1, 2, 3, 4]，并且批次中最长的序列的大小为10，则可以用0和[0, 1, 2, 3, 4, 0, 0, 0, 0, 0]填充它，我们可以说seq_length=5处理{{1 }}。

但是，在Keras中，它不是这样工作的！我们可以做的是在先前的图层中指定[0, 1, 2, 3, 4]，例如嵌入层。这也将掩盖第一个零！

我可以通过在整个向量上加一个来解决它，但这就是我在使用mask_zero=True处理之后需要做的额外预处理，它将词汇表单词映射到0个索引向量。

Answer 1

不，但它们也（或可以使）没有太大不同。

TL; DR

tf.nn.dynamic_rnn在序列以0结束后替换元素。据我所知，这无法用tf.keras.layers.*复制，但是您可以使用RNN(Masking(...)方法获得类似的行为：它只是停止计算并携带最后的输出并转发状态。您将获得与从tf.nn.dynamic_rnn获得的输出相同（非填充）的输出。

实验

这是一个最小的工作示例，展示了在使用和不使用tf.nn.dynamic_rnn层的情况下tf.keras.layers.GRU和tf.keras.layers.Masking之间的区别。

import numpy as np
import tensorflow as tf

test_input = np.array([
    [1, 2, 1, 0, 0],
    [0, 1, 2, 1, 0]
], dtype=int)
seq_length = tf.constant(np.array([3, 4], dtype=int))

emb_weights = (np.ones(shape=(3, 2)) * np.transpose([[0.37, 1, 2]])).astype(np.float32)
emb = tf.keras.layers.Embedding(
    *emb_weights.shape,
    weights=[emb_weights],
    trainable=False
)
mask = tf.keras.layers.Masking(mask_value=0.37)
rnn = tf.keras.layers.GRU(
    1,
    return_sequences=True,
    activation=None,
    recurrent_activation=None,
    kernel_initializer='ones',
    recurrent_initializer='zeros',
    use_bias=True,
    bias_initializer='ones'
)


def old_rnn(inputs):
    rnn_outputs, rnn_states = tf.nn.dynamic_rnn(
        rnn.cell,
        inputs,
        dtype=tf.float32,
        sequence_length=seq_length
    )
    return rnn_outputs


x = tf.keras.layers.Input(shape=test_input.shape[1:])
m0 = tf.keras.Model(inputs=x, outputs=emb(x))
m1 = tf.keras.Model(inputs=x, outputs=rnn(emb(x)))
m2 = tf.keras.Model(inputs=x, outputs=rnn(mask(emb(x))))

print(m0.predict(test_input).squeeze())
print(m1.predict(test_input).squeeze())
print(m2.predict(test_input).squeeze())

sess = tf.keras.backend.get_session()
print(sess.run(old_rnn(mask(emb(x))), feed_dict={x: test_input}).squeeze())

m0的输出在那里显示了应用嵌入层的结果。请注意，根本没有零条目：

[[[1.   1.  ]    [[0.37 0.37]
  [2.   2.  ]     [1.   1.  ]
  [1.   1.  ]     [2.   2.  ]
  [0.37 0.37]     [1.   1.  ]
  [0.37 0.37]]    [0.37 0.37]]]

现在这是m1，m2和old_rnn体系结构的实际输出：

m1: [[  -6.  -50. -156. -272.7276 -475.83362]
     [  -1.2876 -9.862801 -69.314 -213.94202 -373.54672 ]]
m2: [[  -6.  -50. -156. -156. -156.]
     [   0.   -6.  -50. -156. -156.]]
old [[  -6.  -50. -156.    0.    0.]
     [   0.   -6.  -50. -156.    0.]]

摘要

旧的tf.nn.dynamic_rnn用于用零屏蔽填充元素。
没有屏蔽的新RNN层在填充元素上运行，就好像它们是数据一样。
新的rnn(mask(...))方法只是简单地停止计算，并传送最后的输出和状态。请注意，我通过这种方法获得的（非填充）输出与从tf.nn.dynamic_rnn获得的输出完全相同。

无论如何，我无法涵盖所有可能的极端情况，但我希望您可以使用此脚本来进一步了解问题。

Tensorflow与Keras的RNN，tf.nn.dynamic_rnn（）的折旧

1 个答案:

TL; DR

实验

摘要