Question

给出下面的代码

encoder_inputs = Input(shape=(16, 70))
encoder = LSTM(latent_dim, return_state=True)
encoder_outputs, state_h, state_c = encoder(encoder_inputs)
# We discard `encoder_outputs` and only keep the states.
encoder_states = [state_h, state_c]

# Set up the decoder, using `encoder_states` as initial state.
decoder_inputs = Input(shape=(59, 93))
# We set up our decoder to return full output sequences,
# and to return internal states as well. We don't use the
# return states in the training model, but we will use them in inference.
decoder_lstm = LSTM(latent_dim, return_sequences=True, return_state=True)
decoder_outputs,_,_ = decoder_lstm(decoder_inputs,
                                     initial_state=encoder_states)
decoder_dense = TimeDistributed(Dense(93, activation='softmax'))
decoder_outputs = decoder_dense(decoder_outputs)

# Define the model that will turn
# `encoder_input_data` & `decoder_input_data` into `decoder_target_data`
model = Model([encoder_inputs, decoder_inputs], decoder_outputs)

如果我改变

decoder_dense = TimeDistributed(Dense(93, activation='softmax'))

到

decoder_dense = Dense(93, activation='softmax')

它仍然可以工作，但是哪种方法更有效？

Answer 1

如果您的数据取决于时间，例如Time Series数据或包含Video的不同帧的数据，则时间Distributed Dense层比简单的Dense层有效

Time Distributed Dense在dense单元展开期间的每个时间步骤上都应用相同的GRU/LSTM层。这就是为什么误差函数将在predicted label sequence和actual label sequence之间的原因。

使用return_sequences=False，Dense层仅在最后一个单元格中应用一次。当RNNs用于分类问题时，通常是这种情况。

如果为return_sequences=True，则Dense层将像TimeDistributedDense一样在每个时间步应用。

在您的模型中两者都相同，但是如果您将第二个模型更改为return_sequences=False，则Dense仅应用于最后一个单元格。

希望这会有所帮助。学习愉快！

seq2seq中的TimeDistributed（Dense）与Dense

1 个答案: