17

我的问题是：tf.nn.dynamic_rnn和keras.layers.RNN(cell)真的与文档中所述相同吗？

我正计划构建一个 RNN，但是，似乎tf.nn.dynamic_rnn不赞成 Keras。

它特别指出：

警告：此功能已弃用。它将在未来的版本中删除。更新说明：请使用keras.layers.RNN(cell)，相当于这个API

但是在可变序列长度的情况下，我看不出 API 是如何等效的！

在原始 TF 中，我们可以指定一个 shape 的张量(batch_size, seq_lengths)。这样，如果我们的序列是[0, 1, 2, 3, 4]并且批次中最长的序列大小为 10，我们可以用 0 填充它，并且[0, 1, 2, 3, 4, 0, 0, 0, 0, 0]我们可以说seq_length=5处理[0, 1, 2, 3, 4]。

然而，在 Keras 中，这不是它的工作方式！我们可以做的是mask_zero=True在之前的层中指定，例如嵌入层。这也将掩盖第一个零！

我可以通过在整个向量中添加一个来绕过它，但是这是我在处理 using 之后需要做的额外预处理，tft.compute_vocabulary()它将词汇表单词映射到 0 索引向量。

4

1 回答 1

7

不，但它们（或可以被制成）也没有那么不同。

TL;博士

tf.nn.dynamic_rnn用 0 替换序列结束后的元素。tf.keras.layers.*据我所知，这无法复制，但是您可以通过RNN(Masking(...)方法获得类似的行为：它只是停止计算并向前传递最后的输出和状态。您将获得与从tf.nn.dynamic_rnn.

实验

tf.nn.dynamic_rnn这是一个最小的工作示例，展示了使用和tf.keras.layers.GRU不使用tf.keras.layers.Maskinglayer之间的差异。

import numpy as np
import tensorflow as tf

test_input = np.array([
    [1, 2, 1, 0, 0],
    [0, 1, 2, 1, 0]
], dtype=int)
seq_length = tf.constant(np.array([3, 4], dtype=int))

emb_weights = (np.ones(shape=(3, 2)) * np.transpose([[0.37, 1, 2]])).astype(np.float32)
emb = tf.keras.layers.Embedding(
    *emb_weights.shape,
    weights=[emb_weights],
    trainable=False
)
mask = tf.keras.layers.Masking(mask_value=0.37)
rnn = tf.keras.layers.GRU(
    1,
    return_sequences=True,
    activation=None,
    recurrent_activation=None,
    kernel_initializer='ones',
    recurrent_initializer='zeros',
    use_bias=True,
    bias_initializer='ones'
)


def old_rnn(inputs):
    rnn_outputs, rnn_states = tf.nn.dynamic_rnn(
        rnn.cell,
        inputs,
        dtype=tf.float32,
        sequence_length=seq_length
    )
    return rnn_outputs


x = tf.keras.layers.Input(shape=test_input.shape[1:])
m0 = tf.keras.Model(inputs=x, outputs=emb(x))
m1 = tf.keras.Model(inputs=x, outputs=rnn(emb(x)))
m2 = tf.keras.Model(inputs=x, outputs=rnn(mask(emb(x))))

print(m0.predict(test_input).squeeze())
print(m1.predict(test_input).squeeze())
print(m2.predict(test_input).squeeze())

sess = tf.keras.backend.get_session()
print(sess.run(old_rnn(mask(emb(x))), feed_dict={x: test_input}).squeeze())

来自m0那里的输出显示应用嵌入层的结果。请注意，根本没有零条目：

[[[1.   1.  ]    [[0.37 0.37]
  [2.   2.  ]     [1.   1.  ]
  [1.   1.  ]     [2.   2.  ]
  [0.37 0.37]     [1.   1.  ]
  [0.37 0.37]]    [0.37 0.37]]]

现在这里是m1,m2和old_rnn架构的实际输出：

m1: [[  -6.  -50. -156. -272.7276 -475.83362]
     [  -1.2876 -9.862801 -69.314 -213.94202 -373.54672 ]]
m2: [[  -6.  -50. -156. -156. -156.]
     [   0.   -6.  -50. -156. -156.]]
old [[  -6.  -50. -156.    0.    0.]
     [   0.   -6.  -50. -156.    0.]]

概括

  • 旧的tf.nn.dynamic_rnn用于用零掩盖填充元素。
  • 没有掩码的新 RNN 层在填充元素上运行，就好像它们是数据一样。
  • 新rnn(mask(...))方法只是停止计算并将最后的输出和状态向前传递。请注意，我为此方法获得的（非填充）输出与来自tf.nn.dynamic_rnn.

无论如何，我无法涵盖所有​​可能的边缘情况，但我希望您可以使用此脚本来进一步解决问题。

于 2019-05-01T13:45:52.237 回答