在Keras中构建一个带有嵌入层的LSTM网络

Question

我希望创建一个Keras模型，包括一个嵌入层，接着是两个带有0.5丢失率的LSTM，最后是一个具有softmax激活函数的密集层。

第一个LSTM应将顺序输出传播到第二层，而在第二层中，我只对在处理整个序列后获得的LSTM隐藏状态感兴趣。

我尝试了以下内容：

sentence_indices = Input(input_shape, dtype = 'int32')

embedding_layer = pretrained_embedding_layer(word_to_vec_map, word_to_index)

embeddings = embedding_layer(sentence_indices)
# Propagate the embeddings through an LSTM layer with 128-dimensional hidden state
X = LSTM(128, return_sequences=True, dropout = 0.5)(embeddings)

# Propagate X trough another LSTM layer with 128-dimensional hidden state
X = LSTM(128, return_sequences=False, return_state=True, dropout = 0.5)(X)

# Propagate X through a Dense layer with softmax activation to get back a batch of 5-dimensional vectors.
X = Dense(5, activation='softmax')(X)

# Create Model instance which converts sentence_indices into X.
model = Model(inputs=[sentence_indices], outputs=[X])

然而，我遇到了以下错误：

ValueError: Layer dense_5 expects 1 inputs, but it received 3 input tensors. Input received: [<tf.Tensor 'lstm_10/TensorArrayReadV3:0' shape=(?, 128) dtype=float32>, <tf.Tensor 'lstm_10/while/Exit_2:0' shape=(?, 128) dtype=float32>, <tf.Tensor 'lstm_10/while/Exit_3:0' shape=(?, 128) dtype=float32>]

显然，LSTM返回的输出形状与我预期的不同。我该如何解决这个问题？

- Jsevillamol

Answer 1

如果你设置了 return_state=True，那么 LSTM(...)(X) 会返回三个值：输出、最后一个隐藏状态和最后一个细胞状态。

所以，不要写成 X = LSTM(128, return_sequences=False, return_state=True, dropout = 0.5)(X)，而应该写成 X, h, c = LSTM(128, return_sequences=False, return_state=True, dropout = 0.5)(X)。

点击这里查看示例。

- Physbox

---

感谢您的帮助。 - user11115921