用LSTM-ptb模型张量流examp预测下一个词

Question

我试图使用tensorflowLSTM model来进行下一个单词的预测。

如本related question（没有可接受的答案）中所述，示例包含伪代码以提取下一个单词的概率：

lstm = rnn_cell.BasicLSTMCell(lstm_size)
# Initial state of the LSTM memory.
state = tf.zeros([batch_size, lstm.state_size])

loss = 0.0
for current_batch_of_words in words_in_dataset:
  # The value of state is updated after processing each batch of words.
  output, state = lstm(current_batch_of_words, state)

  # The LSTM output can be used to make next word predictions
  logits = tf.matmul(output, softmax_w) + softmax_b
  probabilities = tf.nn.softmax(logits)
  loss += loss_function(probabilities, target_words)

我对如何解释概率向量感到困惑。我修改了ptb_word_lm.py中PTBModel函数的__init__以存储概率和登录：

class PTBModel(object):
  """The PTB model."""

  def __init__(self, is_training, config):
    # General definition of LSTM (unrolled)
    # identical to tensorflow example ...     
    # omitted for brevity ...


    # computing the logits (also from example code)
    logits = tf.nn.xw_plus_b(output,
                             tf.get_variable("softmax_w", [size, vocab_size]),
                             tf.get_variable("softmax_b", [vocab_size]))
    loss = seq2seq.sequence_loss_by_example([logits],
                                            [tf.reshape(self._targets, [-1])],
                                            [tf.ones([batch_size * num_steps])],
                                            vocab_size)
    self._cost = cost = tf.reduce_sum(loss) / batch_size
    self._final_state = states[-1]

    # my addition: storing the probabilities and logits
    self.probabilities = tf.nn.softmax(logits)
    self.logits = logits

    # more model definition ...

然后在run_epoch函数中打印一些关于它们的信息：

def run_epoch(session, m, data, eval_op, verbose=True):
  """Runs the model on the given data."""
  # first part of function unchanged from example

  for step, (x, y) in enumerate(reader.ptb_iterator(data, m.batch_size,
                                                    m.num_steps)):
    # evaluate proobability and logit tensors too:
    cost, state, probs, logits, _ = session.run([m.cost, m.final_state, m.probabilities, m.logits, eval_op],
                                 {m.input_data: x,
                                  m.targets: y,
                                  m.initial_state: state})
    costs += cost
    iters += m.num_steps

    if verbose and step % (epoch_size // 10) == 10:
      print("%.3f perplexity: %.3f speed: %.0f wps, n_iters: %s" %
            (step * 1.0 / epoch_size, np.exp(costs / iters),
             iters * m.batch_size / (time.time() - start_time), iters))
      chosen_word = np.argmax(probs, 1)
      print("Probabilities shape: %s, Logits shape: %s" % 
            (probs.shape, logits.shape) )
      print(chosen_word)
      print("Batch size: %s, Num steps: %s" % (m.batch_size, m.num_steps))

  return np.exp(costs / iters)

这样会产生如下输出：

0.000 perplexity: 741.577 speed: 230 wps, n_iters: 220
(20, 10000) (20, 10000)
[ 14   1   6 589   1   5   0  87   6   5   3   5   2   2   2   2   6   2  6   1]
Batch size: 1, Num steps: 20

我希望probs向量是一个概率数组，在词汇表中每个单词都有一个（例如形状为(1, vocab_size)），这意味着我可以使用np.argmax(probs, 1)得到预测的单词，正如在另一个问题中所建议的那样。

然而，向量的第一个维度实际上等于展开的LSTM中的步骤数（如果使用小的配置设置，则为20），我不确定该如何处理。要访问预测的单词，我是否只需要使用最后一个值（因为它是最后一步的输出）？或者我还缺什么？

我试图通过查看seq2seq.sequence_loss_by_example的实现来理解如何进行预测和评估，该实现必须执行此评估，但最终调用gen_nn_ops._sparse_softmax_cross_entropy_with_logits，该实现似乎不包含在github repo中，所以我不确定还能在哪里查找。

我对tensorflow和LSTMs都很陌生，所以非常感谢您的帮助！

Answer 1

我也在实现seq2seq模型。

所以让我试着用我的理解来解释：

LSTM模型的输出是一个长度为步数的二维张量列表，其大小为[批量大小，大小]。

代码行：

output = tf.reshape(tf.concat(1, outputs), [-1, size])

将产生一个新的输出，这是一个大小为[批量大小x步数，大小]的二维张量。

对于您的情况，batch_size=1，num_steps=20-->；输出形状为[20，size]。

代码行：

logits = tf.nn.xw_plus_b(output, tf.get_variable("softmax_w", [size, vocab_size]), tf.get_variable("softmax_b", [vocab_size]))

<；=>；输出[批量大小x步数，大小]x软最大值w[大小，声音大小]将输出大小的登录名[批量大小x步数，声音大小]。
对于您的案例，登录名的大小为[20，声卡大小] -->；probs张量的大小与logits的大小相同，[20，vocab_size]。

代码行：

chosen_word = np.argmax(probs, 1)

将输出所选单词的大小张量[20，1]，每个值是当前单词的下一个预测单词索引。

代码行：

loss = seq2seq.sequence_loss_by_example([logits], [tf.reshape(self._targets, [-1])], [tf.ones([batch_size * num_steps])])

是计算序列的批处理大小的softmax交叉熵损失。

Answer 2

output张量包含每个时间步的LSTM单元输出的具体表示（请参见其定义here）。因此，您可以通过chosen_word[-1]（或者chosen_word[sequence_length - 1]，如果序列被填充以匹配展开的LSTM）来找到下一个单词的预测。

^{}操作以不同的名称记录在公共API中。出于技术原因，它调用了一个生成的包装函数，该函数不会出现在GitHub存储库中。OP的实现是在C++，^ {A3}中实现的。