我在使用BasicLSTMCells的tensorflow中使用递归神经网络。基本上,我有一个单词id的输入序列,我将每个id转换为单词嵌入,通过rnn一次一个地传递单词嵌入,然后在读取整个序列后对单个单词进行预测。我的嵌入矩阵的维数为V x H,其中V是我词汇量的大小,H是我的rnn中隐藏单位的数量。为了对下一个单词进行预测,我将隐藏的向量乘以大小为H x V的权重矩阵,然后计算softmax。通过我描述的设置,一切似乎都按预期工作。我能够训练一些例子并做出合理的预测。 但是,我注意到如果我尝试使用嵌入矩阵的转置,它将是一个大小为H x V的矩阵,而不是softmax层的单独矩阵,则tensorflow会引发一个值误差,声称其尺寸为它未指定的东西没有相同的等级。我已经验证了我的嵌入矩阵(嗯,它的转置)的尺寸与我正在创建的单独softmax矩阵的尺寸相同。仅使用我的嵌入矩阵与单独的softmax权重矩阵更改一行代码会导致错误。 我创建了一个相对较小的程序来演示我正在尝试做什么并显示导致错误的原因。当我尝试使用单个隐藏层网络时,我无法在较小的网络上发生错误。
import sys
import time
import tensorflow as tf
from tensorflow.models.rnn import rnn
from tensorflow.models.rnn import rnn_cell
from tensorflow.models.rnn.rnn_cell import BasicLSTMCell
import numpy as np
INPUT_LENGTH = 17
BATCH_SIZE = 20
VOCAB_SIZE = 11
NUM_EPOCHS = 1000
HIDDEN_UNITS = 100
class Model(object):
def __init__(self, is_training):
initializer = tf.random_uniform_initializer(-1.0, 1.0)
self._target = tf.placeholder(tf.float32, [BATCH_SIZE, VOCAB_SIZE])
self._input_data=tf.placeholder(tf.int32,[BATCH_SIZE, INPUT_LENGTH])
self.embedding = tf.get_variable("embedding",
[VOCAB_SIZE, HIDDEN_UNITS],
initializer=initializer)
self.inputs = tf.split(1, INPUT_LENGTH,
tf.nn.embedding_lookup(self.embedding, self._input_data))
self.inputs2 = [tf.squeeze(input_, [1]) for input_ in self.inputs]
cell = rnn_cell.BasicLSTMCell(num_units=HIDDEN_UNITS)
initial_state = cell.zero_state(BATCH_SIZE, tf.float32)
outputs, states = rnn.rnn(cell, self.inputs2,
initial_state=initial_state)
self._outputs = outputs[-1]
self.soft_w = tf.get_variable("softmax_w",
[HIDDEN_UNITS, VOCAB_SIZE],
initializer=initializer)
prod = tf.matmul(self._outputs, self.soft_w)
#uncommenting out the following line causes the error
# prod = tf.matmul(self._outputs, self.embedding, False, True)
soft_b = tf.get_variable("softmax_b", [VOCAB_SIZE],
initializer=initializer)
self._logits = tf.nn.bias_add(prod,soft_b)
self._loss = tf.nn.softmax_cross_entropy_with_logits(self._logits,
self._target)
if not is_training:
return
learning_rate = .010001
optimizer = tf.train.GradientDescentOptimizer(learning_rate)
self._train_op = optimizer.minimize(self._loss)
def train(self, sess, inputs, targets):
t = np.zeros((BATCH_SIZE, VOCAB_SIZE))
for i, target in enumerate(targets):
t[i,target] = 1.0
inputs = np.array(inputs)
inputs = inputs.reshape(BATCH_SIZE,INPUT_LENGTH)
fd = {self._target:t,
self._input_data:inputs}
o = sess.run([self._train_op, self._loss, self._outputs, self.embedding, self.soft_w], feed_dict = fd)
print o[2].shape
print o[3].shape
print o[4].shape
sys.exit()
return np.mean(o[1])
#this just generates dummy data
def read_data_rows(count):
ret = []
for i in range(count):
inputs = [4] * INPUT_LENGTH
output = 1
ret.append((inputs, output))
return ret
def main():
start = time.time()
tf.set_random_seed(1)
print "creating model",time.time()-start
m = Model(is_training=True)
with tf.Session() as sess:
print "initializing variables", time.time()-start
tf.initialize_all_variables().run()
for epoch in range(NUM_EPOCHS):
train_rows = read_data_rows(100)
for row_num in range(0, len(train_rows), BATCH_SIZE):
qs = []
ans = []
batch = train_rows[row_num:row_num+BATCH_SIZE]
for b in batch:
qs.append(b[0])
ans.append(b[1])
m.train(sess, qs, ans)
if __name__ == "__main__":
main()
我看到的错误是ValueError:Shapes TensorShape([Dimension(100)])和TensorShape([Dimension(17),Dimension(100)])必须具有相同的等级 当取消注释我上面提到的那条线时。我看到错误的原因是什么?为什么嵌入矩阵的处理方式与矩阵self.soft_w相同?
答案 0 :(得分:4)
当代码中的indices参数(tf.nn.embedding_lookup()
)有更多时,TensorFlow的0.6.0(及更早版本)版本在tf.gather()
和self._input_data
的渐变实现中存在错误而不是一个维度。
升级到最新的源代码版本应该可以解决此错误。否则,this commit会对您的计划进行相关更改(array_grad.py
)。