有人能解释一下如何在tensorflow中初始化LSTM的隐藏状态吗?我正在尝试构建LSTM循环自编码器,所以在训练该模型后,我希望将无监督模型学习到的隐藏状态转移到有监督模型的隐藏状态中。
当前API是否支持这样做?
这是我试图复制的论文:http://papers.nips.cc/paper/5949-semi-supervised-sequence-learning.pdf
是的,这是可能的,但非常繁琐。让我们通过一个例子来说明。
定义一个模型:
from keras.layers import LSTM, Input
from keras.models import Model
input = Input(batch_shape=(32, 10, 1))
lstm_layer = LSTM(10, stateful=True)(input)
model = Model(input, lstm_layer)
model.compile(optimizer="adam", loss="mse")
在编译模型时重置初始状态非常重要。此外,您需要指定一个batch_shape
,其中batch_size
被指定为在此场景中应该是stateful
的网络(通过设置stateful=True
实现)。
现在我们可以设置初始状态的值:
import numpy
import keras.backend as K
hidden_states = K.variable(value=numpy.random.normal(size=(32, 10)))
cell_states = K.variable(value=numpy.random.normal(size=(32, 10)))
model.layers[1].states[0] = hidden_states
model.layers[1].states[1] = cell_states
请注意,您需要将状态提供为keras
变量。 states [0]
保存隐藏状态,states [1]
保存单元状态。
希望这有所帮助。
正如Keras API文档中递归层所述(https://keras.io/layers/recurrent/):
关于RNN的初始状态说明
您可以通过使用关键字参数
initial_state
来符号化地指定RNN层的初始状态。initial_state
的值应该是一个张量或表示RNN层初始状态的张量列表。您可以通过使用关键字参数
states
调用reset_states
来数值化地指定RNN层的初始状态。states
的值应该是一个numpy数组或表示RNN层初始状态的numpy数组列表。
由于LSTM层具有两个状态(隐藏状态和单元状态),因此initial_state
和states
的值是两个张量的列表。
输入形状: (批次, 时间步长, 特征数) = (1, 10, 1)
LSTM层中的单元数 = 8(即隐藏状态和细胞状态的维度)
import tensorflow as tf
import numpy as np
inputs = np.random.random([1, 10, 1]).astype(np.float32)
lstm = tf.keras.layers.LSTM(8)
c_0 = tf.convert_to_tensor(np.random.random([1, 8]).astype(np.float32))
h_0 = tf.convert_to_tensor(np.random.random([1, 8]).astype(np.float32))
outputs = lstm(inputs, initial_state=[h_0, c_0])
输入形状: (批次, 时间步长, 特征数) = (1, 10, 1)
LSTM 层中的单元数 = 8 (即隐藏状态和细胞状态的维度)
请注意,对于有状态的 LSTM,您还需要指定batch_size
。
import tensorflow as tf
import numpy as np
from pprint import pprint
inputs = np.random.random([1, 10, 1]).astype(np.float32)
lstm = tf.keras.layers.LSTM(8, stateful=True, batch_size=(1, 10, 1))
c_0 = tf.convert_to_tensor(np.random.random([1, 8]).astype(np.float32))
h_0 = tf.convert_to_tensor(np.random.random([1, 8]).astype(np.float32))
outputs = lstm(inputs, initial_state=[h_0, c_0])
lstm.states[0]
):>>> pprint(outputs)
<tf.Tensor: id=821, shape=(1, 8), dtype=float32, numpy=
array([[ 0.07119043, 0.07012419, -0.06118739, -0.11008392, 0.00573938,
-0.05663438, 0.11196419, 0.02663924]], dtype=float32)>
>>>
>>> pprint(lstm.states)
[<tf.Variable 'lstm_1/Variable:0' shape=(1, 8) dtype=float32, numpy=
array([[ 0.07119043, 0.07012419, -0.06118739, -0.11008392, 0.00573938,
-0.05663438, 0.11196419, 0.02663924]], dtype=float32)>,
<tf.Variable 'lstm_1/Variable:0' shape=(1, 8) dtype=float32, numpy=
array([[ 0.14726108, 0.13584498, -0.12986949, -0.22309153, 0.0125412 ,
-0.11446435, 0.22290672, 0.05397629]], dtype=float32)>]
通过调用reset_states()
函数,可以重置状态:
>>> lstm.reset_states()
>>> pprint(lstm.states)
[<tf.Variable 'lstm_1/Variable:0' shape=(1, 8) dtype=float32, numpy=array([[0., 0., 0., 0., 0., 0., 0., 0.]], dtype=float32)>,
<tf.Variable 'lstm_1/Variable:0' shape=(1, 8) dtype=float32, numpy=array([[0., 0., 0., 0., 0., 0., 0., 0.]], dtype=float32)>]
>>>
或将它们设置为特定的值:
>>> lstm.reset_states(states=[h_0, c_0])
>>> pprint(lstm.states)
[<tf.Variable 'lstm_1/Variable:0' shape=(1, 8) dtype=float32, numpy=
array([[0.59103394, 0.68249655, 0.04518601, 0.7800545 , 0.3799634 ,
0.27347744, 0.54415804, 0.9889024 ]], dtype=float32)>,
<tf.Variable 'lstm_1/Variable:0' shape=(1, 8) dtype=float32, numpy=
array([[0.43390197, 0.28252542, 0.27139077, 0.19655049, 0.7568088 ,
0.05909375, 0.68569875, 0.19087408]], dtype=float32)>]
>>>
>>> pprint(h_0)
<tf.Tensor: id=422, shape=(1, 8), dtype=float32, numpy=
array([[0.59103394, 0.68249655, 0.04518601, 0.7800545 , 0.3799634 ,
0.27347744, 0.54415804, 0.9889024 ]], dtype=float32)>
>>>
>>> pprint(c_0)
<tf.Tensor: id=421, shape=(1, 8), dtype=float32, numpy=
array([[0.43390197, 0.28252542, 0.27139077, 0.19655049, 0.7568088 ,
0.05909375, 0.68569875, 0.19087408]], dtype=float32)>
>>>
lstm_cell = LSTM(cell_num, return_state=True)
output, h, c = lstm_cell(input, initial_state=[h_prev, c_prev])
from keras import backend as K
K.set_value(model.layers[1].states[0], hidden_states)
K.set_value(model.layers[1].states[1], cell_states)
状态也可以使用以下方式设置
model.layers[1].states[0] = hidden_states
model.layers[1].states[1] = cell_states