Question

鉴于训练有素的LSTM模型，我想对单个时间步进行推理，即下例中的seq_length = 1。在每个时间步之后，需要记住内部LSTM（存储器和隐藏）状态以用于下一个“批次”。在推理的最开始，给定输入计算内部LSTM状态init_c, init_h。然后将它们存储在传递给LSTM的LSTMStateTuple对象中。在训练期间，每个时间步都更新此状态。但是对于推理，我希望state保存在批次之间，即初始状态只需要在开始时计算，之后LSTM状态应该在每个“批次”之后保存（n = 1）。

我发现了这个与StackOverflow相关的问题：Tensorflow, best way to save state in RNNs?。但是这仅在state_is_tuple=False时有效，但TensorFlow很快就会弃用此行为（请参阅rnn_cell.py）。 Keras似乎有一个很好的包装器可以使有状态 LSTM成为可能，但我不知道在TensorFlow中实现这一目标的最佳方法。 TensorFlow GitHub上的这个问题也与我的问题有关：https://github.com/tensorflow/tensorflow/issues/2838

建立有状态LSTM模型的任何好建议？

inputs  = tf.placeholder(tf.float32, shape=[None, seq_length, 84, 84], name="inputs")
targets = tf.placeholder(tf.float32, shape=[None, seq_length], name="targets")

num_lstm_layers = 2

with tf.variable_scope("LSTM") as scope:

    lstm_cell  = tf.nn.rnn_cell.LSTMCell(512, initializer=initializer, state_is_tuple=True)
    self.lstm  = tf.nn.rnn_cell.MultiRNNCell([lstm_cell] * num_lstm_layers, state_is_tuple=True)

    init_c = # compute initial LSTM memory state using contents in placeholder 'inputs'
    init_h = # compute initial LSTM hidden state using contents in placeholder 'inputs'
    self.state = [tf.nn.rnn_cell.LSTMStateTuple(init_c, init_h)] * num_lstm_layers

    outputs = []

    for step in range(seq_length):

        if step != 0:
            scope.reuse_variables()

        # CNN features, as input for LSTM
        x_t = # ... 

        # LSTM step through time
        output, self.state = self.lstm(x_t, self.state)
        outputs.append(output)

Answer 1

我发现保存占位符中所有图层的整个状态最简单。

init_state = np.zeros((num_layers, 2, batch_size, state_size))

...

state_placeholder = tf.placeholder(tf.float32, [num_layers, 2, batch_size, state_size])

然后解压缩并创建一个LSTMStateTuples元组，然后再使用本机tensorflow RNN Api。

l = tf.unpack(state_placeholder, axis=0)
rnn_tuple_state = tuple(
[tf.nn.rnn_cell.LSTMStateTuple(l[idx][0], l[idx][1])
 for idx in range(num_layers)]
)

RNN传递API：

cell = tf.nn.rnn_cell.LSTMCell(state_size, state_is_tuple=True)
cell = tf.nn.rnn_cell.MultiRNNCell([cell]*num_layers, state_is_tuple=True)
outputs, state = tf.nn.dynamic_rnn(cell, x_input_batch, initial_state=rnn_tuple_state)

state - 变量将作为占位符被送到下一批。

Answer 2

Tensorflow，在RNN中保存状态的最佳方法？实际上是我原来的问题。下面的代码是我如何使用状态元组。

with tf.variable_scope('decoder') as scope:
    rnn_cell = tf.nn.rnn_cell.MultiRNNCell \
    ([
        tf.nn.rnn_cell.LSTMCell(512, num_proj = 256, state_is_tuple = True),
        tf.nn.rnn_cell.LSTMCell(512, num_proj = WORD_VEC_SIZE, state_is_tuple = True)
    ], state_is_tuple = True)

    state = [[tf.zeros((BATCH_SIZE, sz)) for sz in sz_outer] for sz_outer in rnn_cell.state_size]

    for t in range(TIME_STEPS):
        if t:
            last = y_[t - 1] if TRAINING else y[t - 1]
        else:
            last = tf.zeros((BATCH_SIZE, WORD_VEC_SIZE))

        y[t] = tf.concat(1, (y[t], last))
        y[t], state = rnn_cell(y[t], state)

        scope.reuse_variables()

我只是创建一个工作正常的列表列表，而不是使用tf.nn.rnn_cell.LSTMStateTuple。在这个例子中，我没有保存状态。但是，您可以轻松地从变量中取出状态，只使用assign来保存值。

TensorFlow：记住下一批次的LSTM状态（有状态LSTM）

2 个答案: