我尝试在Tensorflow中使用public static void Register(HttpConfiguration config){
public static void Register(HttpConfiguration config)
{
// you config and routes here
config.MessageHandlers.Add(new ApiGatewayHandler());
//....
}
}
功能来加速培训。在做了一些阅读之后，我的理解是加速训练的一种方法是将值显式传递给此函数中的dynamic_rnn参数。经过一些阅读，并找到this SO解释后，似乎我需要传递的是一个向量（可能由sequence_length定义），其中包含批处理中每个序列的长度。 / p>
我感到很困惑：为了利用这一点，我应该将每个批次填充到批次中最长的序列而不是培训中最长的序列组？ Tensorflow如何处理任何较短序列中剩余的零/ pad-tokens？此外，这里的主要优势是真正的速度，还是我们在训练期间掩盖打击代币的额外保证？任何帮助/背景将不胜感激。
答案 0 :(得分：5)
我应该将每个批次填充到批次中最长的序列而不是训练集中最长的序列吗？
批次中的序列必须对齐，即必须具有相同的长度。所以对你的问题的一般答案是＆＃34;是＆＃34;。但是不同的批次不必具有相同的长度，因此您可以将输入序列分层为具有大致相同大小的组并相应地填充它们。此技术称为分组，您可以在this tutorial中阅读该内容。
Tensorflow如何处理任何较短序列中剩余的零/ pad-tokens？
非常直观。 tf.nn.dynamic_rnn返回两个张量：output和states。假设实际序列长度为t，填充序列长度为T。
然后output将在i > t之后包含零，而states将包含t个单元格状态，忽略尾随单元格的状态。
以下是一个例子：
import numpy as np
import tensorflow as tf
n_steps = 2
n_inputs = 3
n_neurons = 5
X = tf.placeholder(dtype=tf.float32, shape=[None, n_steps, n_inputs])
seq_length = tf.placeholder(tf.int32, [None])
basic_cell = tf.nn.rnn_cell.BasicRNNCell(num_units=n_neurons)
outputs, states = tf.nn.dynamic_rnn(basic_cell, X,
sequence_length=seq_length, dtype=tf.float32)
X_batch = np.array([
# t = 0 t = 1
[[0, 1, 2], [9, 8, 7]], # instance 0
[[3, 4, 5], [0, 0, 0]], # instance 1
[[6, 7, 8], [6, 5, 4]], # instance 2
])
seq_length_batch = np.array([2, 1, 2])
with tf.Session() as sess:
sess.run(tf.global_variables_initializer())
outputs_val, states_val = sess.run([outputs, states], feed_dict={
X: X_batch,
seq_length: seq_length_batch
})
print(outputs_val)
print()
print(states_val)
请注意，实例1已填充，因此outputs_val[1,1]为零向量且states_val[1] == outputs_val[1,0]：
[[[ 0.76686853 0.8707901 -0.79509073 0.7430128 0.63775384]
[ 1. 0.7427926 -0.9452815 -0.93113345 -0.94975543]]
[[ 0.9998851 0.98436266 -0.9620067 0.61259484 0.43135557]
[ 0. 0. 0. 0. 0. ]]
[[ 0.99999994 0.9982034 -0.9934515 0.43735617 0.1671598 ]
[ 0.99999785 -0.5612586 -0.57177305 -0.9255771 -0.83750355]]]
[[ 1. 0.7427926 -0.9452815 -0.93113345 -0.94975543]
[ 0.9998851 0.98436266 -0.9620067 0.61259484 0.43135557]
[ 0.99999785 -0.5612586 -0.57177305 -0.9255771 -0.83750355]]
此外，这里的主要优势是真正的速度，还是我们在训练期间掩盖打击代币的额外保证？
当然，批处理比逐个处理序列更有效。但是指定长度的主要优点是你可以从RNN中获得合理的状态，即填充的项目不会影响结果张量。如果你没有设置长度，你会得到完全相同的结果（和相同的速度），但手动选择正确的状态。