时间戳

首页 > 解决方案 > 提供 Tensorflow Seq2Seq 输出作为下一步的输入（推理）

tensorflow - 提供 Tensorflow Seq2Seq 输出作为下一步的输入（推理）

问题描述

我想创建一个 Seq2Seq 模型来预测时间序列数据。我正在使用 InferenceHelper，但我正在为sample_fn参数苦苦挣扎。我想通过密集层传递每个单元的解码器输出，以便在每个时间步生成单个输出。所以我提供了一个对sample_fn参数执行此操作的函数。

稍后我想将 rnn 单元输出与其他非时间序列特征连接起来，并在其上构建更密集的层。

网络在训练时表现良好，但在推理期间表现不佳。我认为这是因为我在训练和推理时间之间没有共享相同的密集层。

我尝试设置重用参数并使用with tf.variable_scope()环境。但是，sample_fn已经在特定范围内调用了dynamic_decode，因此我无法使用与培训期间相同的范围。

我的代码的相关部分如下所示：

占位符：

inputs = tf.placeholder(shape=(None, 100, 1), dtype=tf.float32, name='inputs')
input_lengths = tf.placeholder(shape=(None,), dtype=tf.int32, name='input_lengths')

targets = tf.placeholder(shape=(None, 100), dtype=tf.float32, name='targets')
target_lengths = tf.placeholder(shape=(None,), dtype=tf.int32, name='target_lengths')

编码器：

encoder_cell = tf.nn.rnn_cell.MultiRNNCell([tf.contrib.rnn.GRUCell(num_units=16, name='encoder_cell_0'])
self.decoder_cell = tf.nn.rnn_cell.MultiRNNCell([tf.contrib.rnn.GRUCell(num_units=16, name='decoder_cell_0']))

_, final_encoder_states = tf.nn.dynamic_rnn(cell=encoder_cell, inputs=inputs,
                                                sequence_length=input_lengths, dtype=tf.float32)

解码器（训练）

start_tokens = tf.fill([tf.shape(inputs)[0]], start_token)
start_tokens = tf.cast(tf.expand_dims(start_tokens, 1), dtype=tf.float32)
targets_as_inputs = tf.concat([start_tokens, targets], axis=1)
targets_as_inputs = tf.reshape(targets_as_inputs, (-1, targets_as_inputs.shape[1], 1))

training_helper = tf.contrib.seq2seq.TrainingHelper(inputs=targets_as_inputs, sequence_length=target_lengths, name='training_helper')
training_decoder = tf.contrib.seq2seq.BasicDecoder(cell=decoder_cell, helper=training_helper, initial_state=final_encoder_states)

train_outputs, _, _ = tf.contrib.seq2seq.dynamic_decode(decoder=training_decoder, maximum_iterations=max_target_sequence_length, impute_finished=True)

train_predictions = train_outputs.rnn_output
train_predictions = tf.layers.dense(train_predictions, 1, activation=None, name='output_dense_layer')

解码器（推理）。不正确的部分：

def sample_fn(outputs):
    return tf.layers.dense(outputs, 1, activation=None,         
                           name='output_dense_layer', reuse=tf.AUTO_REUSE)

infer_helper = tf.contrib.seq2seq.InferenceHelper(sample_fn=sample_fn, sample_shape=(1), 
                                                       sample_dtype=tf.float32, start_inputs=start_tokens, end_fn=lambda sample_ids: False, next_inputs_fn=None)
infer_decoder = tf.contrib.seq2seq.BasicDecoder(cell=decoder_cell, helper=infer_helper, initial_state=final_encoder_states)

infer_outputs, _, _ = tf.contrib.seq2seq.dynamic_decode(decoder=infer_decoder, maximum_iterations=max_target_sequence_length, impute_finished=True)

infer_predictions = infer_outputs.rnn_output
infer_predictions = sample_fn(infer_predictions)

有一个类似的问题：How to use tensorflow seq2seq without embeddings？

作者使用sample_fn=lambda outputs: outputs. 但是在我的情况下这会返回一个 ValueError ，因为尺寸不匹配。他们怎么可能拥有多个细胞？sample_fn应该返回一个值。

标签： tensorflowtime-seriesseq2seq

解决方案

现在，我通过创建自己的 dynamic_decode 函数解决了我的问题。我复制了旁边的所有内容

with variable_scope.variable_scope(scope, "decoder", reuse=reuse) as varscope:

以及一个相关的 if 条件varscope和另一个 if 条件测试解码器类tf.contrib.seq2seq.dynamic_decode。

不是一个很好的解决方案，但现在已经足够好了。

推荐阅读