Question

我正在尝试使用Tensorflow复制优秀文章http://karpathy.github.io/2015/05/21/rnn-effectiveness/中演示的字符级语言建模。

到目前为止，我的尝试都失败了。我的网络通常在处理800个左右的字符后输出单个字符。我相信我已经从根本上误解了张量流实现LSTM的方式，也许还有rnns。我发现文档难以理解。

以下是我的代码的精髓：

图表定义

idata = tf.placeholder(tf.int32,[None,1])   #input byte, use value 256 for start and end of file
odata = tf.placeholder(tf.int32,[None,1])    #target output byte, ie, next byte in sequence..
source =  tf.to_float(tf.one_hot(idata,257)) #input byte as 1-hot float
target = tf.to_float(tf.one_hot(odata,257))  #target output as 1-hot float

with tf.variable_scope("lstm01"):
    cell1 = tf.nn.rnn_cell.BasicLSTMCell(257)
    val1, state1 = tf.nn.dynamic_rnn(cell1, source, dtype=tf.float32)

output = val1

损失计算

cross_entropy = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(output, target))
train_step = tf.train.AdamOptimizer(1e-4).minimize(cross_entropy)  
output_am = tf.argmax(output,2)
target_am = tf.argmax(target,2)
correct_prediction = tf.equal(output_am, target_am)
accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))

训练

for i in range(0, source_data.size-1, batch_size):
    start = i
    stop = i + batch_size
    i_data = source_data[start:stop].reshape([-1,1])
    o_data = source_data[start+1:stop+1].reshape([-1,1])

    train_step.run(feed_dict={idata: i_data, odata: o_data})

    if i%(report_interval*batch_size) == 0:
        batch_out, fa = sess.run([output_am, accuracy], feed_dict={idata: i_data, odata: o_data, keep_prob: 1.0})

        print("step %d, training accuracy %s"%(i, str(fa)))
        print("i_data sample: %s"%str(squeeze(i_data)))
        print("o_data sample: %s"%str(squeeze(o_data)))
        print("batch sample: %s"%str(squeeze(batch_out)))

输出，使用1MB Shakespere文件进行训练

step 0, training accuracy 0.0
i_data sample: [ 256.   70.  105.  114.  115.  116.   32.   67.  105.  116.]
o_data sample: [  70.  105.  114.  115.  116.   32.   67.  105.  116.  105.]
batch sample: [254  18 151  64  51 199  83 174 151 199]

step 400, training accuracy 0.2
i_data sample: [  32.   98.  101.   32.  100.  111.  110.  101.   58.   32.]
o_data sample: [  98.  101.   32.  100.  111.  110.  101.   58.   32.   97.]
batch sample: [ 32 101  32  32  32  32  10  32 101  32]

step 800, training accuracy 0.0
i_data sample: [ 112.   97.  114.  116.  105.   99.  117.  108.   97.  114.]
o_data sample: [  97.  114.  116.  105.   99.  117.  108.   97.  114.  105.]
batch sample: [101 101 101  32 101 101  32 101 101 101]

step 1200, training accuracy 0.1
i_data sample: [  63.   10.   10.   70.  105.  114.  115.  116.   32.   67.]
o_data sample: [  10.   10.   70.  105.  114.  115.  116.   32.   67.  105.]
batch sample: [ 32  32  32 101  32  32  32  32  32  32]

step 1600, training accuracy 0.2
i_data sample: [  32.  116.  105.  108.  108.   32.  116.  104.  101.   32.]
o_data sample: [ 116.  105.  108.  108.   32.  116.  104.  101.   32.   97.]
batch sample: [32 32 32 32 32 32 32 32 32 32]

这显然不正确。

我认为我对“批次”之间的差异感到困惑。和＆＃39;序列＆＃39;以及LSTM的状态是否保留在我称之为“批次”的状态之间。（即子序列）

我得到的印象是我已经使用批量培训了＃39;对于长度为1的序列，以及每个批次之间的序列，丢弃状态数据。因此，它只是找到最常见的符号。

任何人都可以证实这一点，或以其他方式纠正我的错误，并指出我应该如何使用非常长的训练序列进行角色预测任务？

非常感谢。

Answer 1

所以你的idata的形状应该是：[batch_size，maximum_sequence_length，257]。（如果并非批处理中的所有序列都具有相同的长度，则需要在必要时进行填充，并且在计算损耗时要小心，这仅在非填充值上进行。）

dynamic_rnn按时间为您输入您的输入。所以，你只需要循环批量。

因为，你的idata的第二维是1，你的有效序列长度为1是正确的。

对于不是基于字符但使用单词嵌入的语言模型，请查看this教程。

其他说明：

如果你想在LSTM中试验不同数量的单位 - 考虑在输出顶部添加一个线性层，以将每个输出（对于时间t的批次输入i）投影到257这是一个数字您的目标类别。
无需对目标进行单热编码。看看sparse_softmax_cross_entropy。

Tensorflow LSTM字符按字符序列预测

1 个答案: