TensorFlow：记住下一批的LSTM状态（有状态LSTM）
lstm
python
recurrent-neural-network
tensorflow
18
0

给定训练有素的LSTM模型，我想对单个时间步执行推断，即在下面的示例中seq_length = 1 。在每个时间步之后，需要记住下一个“批”的内部LSTM（内存和隐藏）状态。对于推论的开始，内部LSTM状态init_c, init_h在给定输入的情况下进行计算。然后将它们存储在传递给LSTM的LSTMStateTuple对象中。在训练期间，此状态会在每个时间步更新。但是，为了进行推断，我希望state在批次之间保存，即，仅需要在最开始时计算初始状态，然后在每个“批次”（n = 1）之后保存LSTM状态。

我发现了这个与StackOverflow相关的问题： Tensorflow，在RNN中保存状态的最佳方法吗？ 。但是，这仅在state_is_tuple=False ，但是TensorFlow很快将弃用此行为（请参见rnn_cell.py ）。 Keras似乎有一个很好的包装器，可以使有状态的 LSTM成为可能，但是我不知道在TensorFlow中实现这一目标的最佳方法。 TensorFlow GitHub上的这个问题也与我的问题有关： https : //github.com/tensorflow/tensorflow/issues/2838

有人建议建立有状态的LSTM模型吗？ 

inputs  = tf.placeholder(tf.float32, shape=[None, seq_length, 84, 84], name="inputs")
targets = tf.placeholder(tf.float32, shape=[None, seq_length], name="targets")

num_lstm_layers = 2

with tf.variable_scope("LSTM") as scope:

    lstm_cell  = tf.nn.rnn_cell.LSTMCell(512, initializer=initializer, state_is_tuple=True)
    self.lstm  = tf.nn.rnn_cell.MultiRNNCell([lstm_cell] * num_lstm_layers, state_is_tuple=True)

    init_c = # compute initial LSTM memory state using contents in placeholder 'inputs'
    init_h = # compute initial LSTM hidden state using contents in placeholder 'inputs'
    self.state = [tf.nn.rnn_cell.LSTMStateTuple(init_c, init_h)] * num_lstm_layers

    outputs = []

    for step in range(seq_length):

        if step != 0:
            scope.reuse_variables()

        # CNN features, as input for LSTM
        x_t = # ... 

        # LSTM step through time
        output, self.state = self.lstm(x_t, self.state)
        outputs.append(output)
参考资料：
Stack Overflow
收藏
评论
共 2 个回答
高赞 时间 活跃

我发现在占位符中保存所有层的整个状态是最容易的。 

init_state = np.zeros((num_layers, 2, batch_size, state_size))

...

state_placeholder = tf.placeholder(tf.float32, [num_layers, 2, batch_size, state_size])

然后解压缩它并创建一个LSTMStateTuples元组，然后再使用本机tensorflow RNN Api。 

l = tf.unpack(state_placeholder, axis=0)
rnn_tuple_state = tuple(
[tf.nn.rnn_cell.LSTMStateTuple(l[idx][0], l[idx][1])
 for idx in range(num_layers)]
)

RNN传入API： 

cell = tf.nn.rnn_cell.LSTMCell(state_size, state_is_tuple=True)
cell = tf.nn.rnn_cell.MultiRNNCell([cell]*num_layers, state_is_tuple=True)
outputs, state = tf.nn.dynamic_rnn(cell, x_input_batch, initial_state=rnn_tuple_state)

的state -那么变量将被feeded下一批作为占位符。

收藏
评论

Tensorflow，在RNN中保存状态的最佳方法？实际上是我最初的问题。下面的代码是我使用状态元组的方式。 

with tf.variable_scope('decoder') as scope:
    rnn_cell = tf.nn.rnn_cell.MultiRNNCell \
    ([
        tf.nn.rnn_cell.LSTMCell(512, num_proj = 256, state_is_tuple = True),
        tf.nn.rnn_cell.LSTMCell(512, num_proj = WORD_VEC_SIZE, state_is_tuple = True)
    ], state_is_tuple = True)

    state = [[tf.zeros((BATCH_SIZE, sz)) for sz in sz_outer] for sz_outer in rnn_cell.state_size]

    for t in range(TIME_STEPS):
        if t:
            last = y_[t - 1] if TRAINING else y[t - 1]
        else:
            last = tf.zeros((BATCH_SIZE, WORD_VEC_SIZE))

        y[t] = tf.concat(1, (y[t], last))
        y[t], state = rnn_cell(y[t], state)

        scope.reuse_variables()

而不是使用tf.nn.rnn_cell.LSTMStateTuple我只是创建一个工作正常的列表列表。在此示例中，我没有保存状态。但是，您可以很容易地使状态由变量决定，而只需使用assign保存值即可。

收藏
评论
新手导航
  • 社区规范
  • 提出问题
  • 进行投票
  • 个人资料
  • 优化问题
  • 回答问题