Question

我尝试使用Reber Grammar输入（目前尚未嵌入）了解RNN（非特定的RNN）。您可以在this link 上找到jupyter笔记本（请忽略降价，因为我在输出的第一个版本上失败并且它不是最新的:)）。

对于每个时间步，我提供训练的输入和预期输出（因此它是多对多模型）。

输入/输出是＆＃34; OneHotEncoded＆＃34; （基于字符串＆＃34; BTSXPVE＆＃34;）例如
- B是[1,0,0,0,0,0,0]
- V是[0,0,0,0,0,1,0]
对于时间步长，我有不知名长度的字符串（此处未编码以使其更清晰），例如：
- BPVVE
- BPVPXVPXVPXVVE

所以我决定将它们填充到20步。

对于批次，我是免费的。我已经生成了2048个用于训练的编码字符串和256个用于测试的字符串。

所以我的输入张量是（2048,20,7）。我的输出张量也是（2048,20,7），因为对于每一个时间步，我都希望得到预测。

所以我训练了3个多对多模型（简单RNN，GRU和LSTM），如下面的代码。

model = Sequential()

model.add(LSTM(units=7, input_shape=(maxlen, 7), return_sequences=True))
model.compile(loss='mse',
              optimizer='Nadam',
              metrics=['mean_squared_error'])

history = model.fit(X_train, y_train, validation_data=(X_test, y_test), 
                    epochs=1500, batch_size=1024)

正如预期的那样，对于每个时间步，我都有可能得到一个特定的值，例如（经过一些清理后）：

B预测[0,0.622,0,0,0.401,0,0]（60％有T或40％有P）

根据图表生成单词

是正确的

现在，我想使用此模型生成字符串（所以是一对多模型），但我不知道如何保留模型并将其用作生成器。

我想只输入B的输入（填充到20个步骤），得到结果，将B连接到输出的最佳索引，将其填充到20步，将需要输入提供给NN，依此类推。但我很确定这不是我们应该这样做的方式：s

此外，我试图输入＆＃39; B＆＃39;和＆＃39; T＆＃39;检查输出的概率是什么（应该是S或X），但我得到了：

X = np.array([[[1,0,0,0,0,0,0], [0,1,0,0,0,0,0]]])  # [[[B, P]]]
X = sequence.pad_sequences(X, maxlen=20)
print(model.predict(X)[0])

[0,0.106,0.587,0.1,0,0.171,0.007]

我所理解的是T（10％），S（60％），X（10％），V（18％），但在BT之后，我应该在X上获得更多的百分比，在V上几乎没有/ T（因为T之后的V和T只能在B / P之后）。如果我的模型没有考虑到n-1个时间步长就好了。也许我的模型错了：（

非常感谢您的支持，

Answer 1

您可以将此模型重新制作为stateful=True模型。使其适用timesteps=1（或None可变长度）。

重塑模型：

newModel = Sequential()

newModel.add(LSTM(units=7, stateful=True,batch_input_shape=(1,1,7), return_sequences=True))

从其他模型中获取权重：

newModel.set_weights(model.get_weights())

在预测中使用模型：

现在，使用此模型，您必须一次只输入一个步骤。每当你要输入一个新序列时，你必须小心reset_states()：

所以，假设我们有一个起始字母B。

startingLetter = oneHotForBWithShape((1,1,7))


#we are starting a new "sentence", so, let's reset states:
newModel.reset_states()

#now the prediction loop:
nextLetter = startingLetter
while nextLetter != endLetter:
    nextLetter = newModel.predict(nextLetter)
    nextLetter = chooseOneFromTheProbabilities(nextLetter)

关于结果的质量....也许你的模型太小了。

你可以尝试更多图层，例如：

model = Sequential()

model.add(LSTM(units=50, input_shape=(maxlen, 7), return_sequences=True))
model.add(LSTM(units=30, return_sequences=True))
model.add(LSTM(units=7, return_sequences=True))

这个选择是随意的，我不知道它对你的数据是好还是好。

Keras - ＆＃34;转换＆＃34;经过训练的多对多模型到一对多模型（生成器）

1 个答案: