我应该将每个批次的填充长度设为批次中最长序列的长度,而不是训练集中最长序列的长度吗?
一个批次内的序列必须对齐,也就是说它们必须具有相同的长度。所以你的问题的一般答案是“是”。但是不同的批次不必具有相同的长度,因此您可以将输入序列分成具有大致相同大小的组,并进行填充。这个技巧被称为
桶,您可以在
本教程中了解更多信息。
Tensorflow如何处理任何较短序列中的剩余零/填充标记?
非常直观。
tf.nn.dynamic_rnn
返回两个张量:
output
和
states
。 假设实际序列长度为t,填充序列长度为T。
那么
output
将在
t < i ≤ T时包含零,忽略尾部单元格的状态,
states
将包含第
t个单元格状态。
以下是一个例子:
import numpy as np
import tensorflow as tf
n_steps = 2
n_inputs = 3
n_neurons = 5
X = tf.placeholder(dtype=tf.float32, shape=[None, n_steps, n_inputs])
seq_length = tf.placeholder(tf.int32, [None])
basic_cell = tf.nn.rnn_cell.BasicRNNCell(num_units=n_neurons)
outputs, states = tf.nn.dynamic_rnn(basic_cell, X,
sequence_length=seq_length, dtype=tf.float32)
X_batch = np.array([
[[0, 1, 2], [9, 8, 7]],
[[3, 4, 5], [0, 0, 0]],
[[6, 7, 8], [6, 5, 4]],
])
seq_length_batch = np.array([2, 1, 2])
with tf.Session() as sess:
sess.run(tf.global_variables_initializer())
outputs_val, states_val = sess.run([outputs, states], feed_dict={
X: X_batch,
seq_length: seq_length_batch
})
print(outputs_val)
print()
print(states_val)
请注意,实例1被填充了,因此
outputs_val[1,1]
是一个零向量,且
states_val[1] == outputs_val[1,0]
。
[[[ 0.76686853 0.8707901 -0.79509073 0.7430128 0.63775384]
[ 1. 0.7427926 -0.9452815 -0.93113345 -0.94975543]]
[[ 0.9998851 0.98436266 -0.9620067 0.61259484 0.43135557]
[ 0. 0. 0. 0. 0. ]]
[[ 0.99999994 0.9982034 -0.9934515 0.43735617 0.1671598 ]
[ 0.99999785 -0.5612586 -0.57177305 -0.9255771 -0.83750355]]]
[[ 1. 0.7427926 -0.9452815 -0.93113345 -0.94975543]
[ 0.9998851 0.98436266 -0.9620067 0.61259484 0.43135557]
[ 0.99999785 -0.5612586 -0.57177305 -0.9255771 -0.83750355]]
此外,这里的主要优势真的是速度吗,还是只是在训练过程中额外保证了我们掩盖填充令牌?
当然,批处理比逐个输入序列更有效率。但指定长度的主要优势在于您可以从RNN中获得合理的状态,即填充项不会影响结果张量。如果您不设置长度而手动选择正确的状态,则可以获得完全相同的结果(和相同的速度)。
seq_length_batch
分配值时触发了一些错误,即** ValueError: setting an array element with a sequence **。我在想我们是否应该使用数组np.array [1,2,1]来分配seq_length_batch
的值。 - Yongfeng