Question

我发现了lstm细胞的特殊属性（不限于lstm，但我只是用这个检查了）张量流，据我所知还没有报道。我不知道它是否真的有，所以我把这篇文章留在了SO中。以下是此问题的玩具代码：

import tensorflow as tf
import numpy as np
import time

def network(input_list):
    input,init_hidden_c,init_hidden_m = input_list
    cell = tf.nn.rnn_cell.BasicLSTMCell(256, state_is_tuple=True)
    init_hidden = tf.nn.rnn_cell.LSTMStateTuple(init_hidden_c, init_hidden_m)
    states, hidden_cm = tf.nn.dynamic_rnn(cell, input, dtype=tf.float32, initial_state=init_hidden)
    net = [v for v in tf.trainable_variables()]
    return states, hidden_cm, net

def action(x, h_c, h_m):
    t0 = time.time()
    outputs, output_h = sess.run([rnn_states[:,-1:,:], rnn_hidden_cm], feed_dict={
        rnn_input:x,
        rnn_init_hidden_c: h_c,
        rnn_init_hidden_m: h_m
    })
    dt = time.time() - t0
    return outputs, output_h, dt

rnn_input = tf.placeholder("float", [None, None, 512])
rnn_init_hidden_c = tf.placeholder("float", [None,256])
rnn_init_hidden_m = tf.placeholder("float", [None,256])
rnn_input_list = [rnn_input, rnn_init_hidden_c, rnn_init_hidden_m]
rnn_states, rnn_hidden_cm, rnn_net = network(rnn_input_list)

feed_input = np.random.uniform(low=-1.,high=1.,size=(1,1,512))
feed_init_hidden_c = np.zeros(shape=(1,256))
feed_init_hidden_m = np.zeros(shape=(1,256))

sess = tf.Session()
sess.run(tf.global_variables_initializer())
for i in range(10000):
    _, output_hidden_cm, deltat = action(feed_input, feed_init_hidden_c, feed_init_hidden_m)
    if i % 10 == 0:
        print 'Running time: ' + str(deltat)
    (feed_init_hidden_c, feed_init_hidden_m) = output_hidden_cm
    feed_input = np.random.uniform(low=-1.,high=1.,size=(1,1,512))

[不重要]这段代码的作用是从包含LSTM的'network（）'函数生成一个输出，其中输入的时间维度为1，因此输出也是1，并且拉入和退出每个步骤的初始状态运行

[重要]查看'sess.run（）'部分。出于某些原因，在我的真实代码中，我碰巧将[：， - 1：，：]放入'rnn_states'。然后发生的事情是每个'sess.run（）'所花费的时间增加。对于我自己的一些检查，我发现这种减速源于[：， - 1：，：]。我只想在最后一步得到输出。如果你做'output，output_h = sess.run（[rnn_states，rnn_hidden_cm]，feed_dict {〜'w / o [：， - 1：，：]并取'last_output = outputs [：， - 1：，：]'在'sess.run（）'之后，则不会发生减速。

我不知道为什么这种指数增量会随着[：， - 1：，]运行而发生。这是张量流的本质还没有记录，但特别慢（可能是自己添加更多的图？）？谢谢，并希望通过这篇文章不会对其他用户发生这种错误。

Answer 1

我遇到了同样的问题，每次运行它时，TensorFlow的运行速度都会降低，并在尝试调试时发现了这个问题。这是我的情况的简短描述，以及如何解决此问题以供将来参考。希望它可以将某人指向正确的方向并为他们节省一些时间。

就我而言，问题主要是我在执行feed_dict时没有利用sess.run()来提供网络状态。相反，我每次迭代都重新声明了outputs，final_state和prediction。 https://github.com/tensorflow/tensorflow/issues/1439#issuecomment-194405649的答案让我意识到那是多么愚蠢……我在每次迭代中都不断创建新的图节点，使其变得越来越慢。有问题的代码如下所示：

# defining the network
lstm_layer = rnn.BasicLSTMCell(num_units, forget_bias=1)
outputs, final_state = rnn.static_rnn(lstm_layer, input, initial_state=rnn_state, dtype='float32')
prediction = tf.nn.softmax(tf.matmul(outputs[-1], out_weights)+out_bias)

for input_data in data_seq:
    # redeclaring, stupid stupid...
    outputs, final_state = rnn.static_rnn(lstm_layer, input, initial_state=rnn_state, dtype='float32')
    prediction = tf.nn.softmax(tf.matmul(outputs[-1], out_weights)+out_bias)
    p, rnn_state = sess.run((prediction, final_state), feed_dict={x: input_data})

解决方案当然是在开始时只声明一次节点，并用feed_dict提供新数据。代码从一半的速度（开始时大于15毫秒）开始变慢，而每次迭代都变慢，从而在大约1毫秒内执行每次迭代。我的新代码如下所示：

out_weights = tf.Variable(tf.random_normal([num_units, n_classes]), name="out_weights")
out_bias = tf.Variable(tf.random_normal([n_classes]), name="out_bias")

# placeholder for the network state
state_placeholder = tf.placeholder(tf.float32, [2, 1, num_units])
rnn_state = tf.nn.rnn_cell.LSTMStateTuple(state_placeholder[0], state_placeholder[1])

x = tf.placeholder('float', [None, 1, n_input])
input = tf.unstack(x, 1, 1)

# defining the network
lstm_layer = rnn.BasicLSTMCell(num_units, forget_bias=1)
outputs, final_state = rnn.static_rnn(lstm_layer, input, initial_state=rnn_state, dtype='float32')

prediction = tf.nn.softmax(tf.matmul(outputs[-1], out_weights)+out_bias)

# actual network state, which we input with feed_dict
_rnn_state = tf.nn.rnn_cell.LSTMStateTuple(np.zeros((1, num_units), dtype='float32'), np.zeros((1, num_units), dtype='float32'))

it = 0
for input_data in data_seq:
    encl_input = [[input_data]]
    p, _rnn_state = sess.run((prediction, final_state), feed_dict={x: encl_input, rnn_state: _rnn_state})
    print("{} - {}".format(it, p))
    it += 1

从for循环中删除声明也摆脱了OP sdr2002在for循环内outputs[-1]中的切片sess.run()中遇到的问题。

Answer 2

如上所述，sess.run（）＆＃39;没有切片输出。非常感谢这个案例。

def action(x, h_c, h_m):
    t0 = time.time()
    outputs, output_h = sess.run([rnn_states, rnn_hidden_cm], feed_dict={
        rnn_input:x,
        rnn_init_hidden_c: h_c,
        rnn_init_hidden_m: h_m
    })
    outputs = outputs[:,-1:,:]
    dt = time.time() - t0
    return outputs, output_h, dt

RNN Tensorflow减速现象

2 个答案: