在语言建模中，为什么在每一个新的训练时期之前我都必须初始化隐藏权重？ （火炬）

Question

我对pytorch语言建模中的以下代码有疑问：

print("Training and generating...")
    for epoch in range(1, config.num_epochs + 1): 
        total_loss = 0.0
        model.train()  
        hidden = model.init_hidden(config.batch_size)  

        for ibatch, i in enumerate(range(0, train_len - 1, seq_len)):
            data, targets = get_batch(train_data, i, seq_len)          
            hidden = repackage_hidden(hidden)
            model.zero_grad()

            output, hidden = model(data, hidden)
            loss = criterion(output.view(-1, config.vocab_size), targets)
            loss.backward()  

请检查第5行。

init_hidden函数如下：

def init_hidden(self, bsz):
    weight = next(self.parameters()).data
    if self.rnn_type == 'LSTM':  # lstm：(h0, c0)
        return (Variable(weight.new(self.n_layers, bsz, self.hi_dim).zero_()),
                Variable(weight.new(self.n_layers, bsz, self.hi_dim).zero_()))
    else:  # gru & rnn：h0
        return Variable(weight.new(self.n_layers, bsz, self.hi_dim).zero_())

我的问题是：

为什么我们需要在每个时代都进行init_hidden？该模型不是应该继承上一个时期的隐藏参数，并继续对其进行训练。

Answer 1

隐藏状态存储RNN的内部状态，这些状态是根据对当前序列中先前标记的预测得出的，这使RNN可以了解上下文。隐藏状态由先前标记的输出确定。

当您预测任何序列的第一个标记时，如果要保留先前序列的隐藏状态，您的模型将执行，就像新序列是旧序列的延续一样，这将带来更差的结果。对于第一个令牌，您可以初始化一个空的隐藏状态，然后将其填充为模型状态并用于第二个令牌。

这样想：如果有人要求您对句子进行分类并交给美国宪法（不相关的信息），而不是有人给您有关句子的背景知识，然后要求您对句子进行分类。

Answer 2

答案就在init_hidden中。它不是隐藏层权重，而是RNN / LSTM中的初始隐藏状态，在公式中为h0。对于每个时期，我们应该重新初始化一个新的初学者隐藏状态，这是因为在测试期间，我们的模型将不包含有关测试语句的信息，并且初始隐藏状态为零。

Answer 3

将隐藏状态视为输出，在反向传播期间不会更新。 因此，对于每个新的 epoch，而不是每个新批次（每次迭代），我们都会重新初始化 hidden_​​state 向量，以便单独计算每个序列的 hidden_​​state 向量。