Question

在使用PyTorch对VGG-16模型进行卷积后，我添加了一个LSTM层。加班，该模型学习得很好。但是，仅添加一个由32个LSTM单元组成的LSTM层后，训练和评估过程所需的时间大约要长10倍。

我将LSTM层添加到VGG框架中，如下所示

def make_layers(cfg, batch_norm=False):
   # print("Making layers!")
    layers = []
    in_channels = 3
    count=0
    for v in cfg:
        count+=1
        if v == 'M':
            layers += [nn.MaxPool2d(kernel_size=2, stride=2)]
        else:
            conv2d = nn.Conv2d(in_channels, v, kernel_size=3, padding=1)
            if batch_norm:
                layers += [conv2d, nn.BatchNorm2d(v), nn.ReLU(inplace=True)]
            else:
                layers += [conv2d, nn.ReLU(inplace=True)]
                in_channels=v
        if count==5:
            rlstm =RLSTM(v)
            rlstm=rlstm.cuda()
            layers+=[rlstm]

RLSTM是我的自定义类，它实现了Google的Pixel RNN论文中的RowLSTM。

这是常见问题吗？一般而言，LSTM层需要很长时间训练吗？

Answer 1

是的，因为LSTM（和许多其他RNN）依赖于顺序的信息馈送，所以您失去了CNN通常具有的大部分并行化速度。您还可以探索其他类型的RNN，它们利用了更多可并行化的算法，但是与LSTM / GRU相比，它们的预测性能尚不明确

需要长时间训练的模特

1 个答案: