MLP初始化Keras中的LSTM细胞状态

Posted 2021-04-05

我们可以使用MLP的输出作为LSTM网络中的单元状态，并通过反向传播训练MLP吗？

这类似于CNN和LSTM的图像字幕，其中CNN的输出被平坦化并用作初始隐藏/小区状态并训练堆叠网络，其中甚至通过反向传播更新CNN部分。

我尝试在keras中实现相同的架构。请找到代码here。

但MLP的权重没有更新。我理解这在tensorflow中更直接，我们可以明确地提到哪些参数随损失更新，但任何人都可以帮我使用keras API吗？

答案

我们可以。只需将输出作为the initial hidden state传递。请记住，LSTM有两个隐藏状态，h和c。你可以阅读更多关于这个here的信息。请注意，您也不必创建多个keras模型，但可以简单地连接所有层：

# define mlp 
mlp_inp = Input(batch_shape=(batch_size, hidden_state_dim))
mlp_dense = Dense(hidden_state_dim, activation='relu')(mlp_inp)

## Define LSTM model
lstm_inp = Input(batch_shape=(batch_size, seq_len, inp_size))
lstm_layer = LSTM(lstm_dim)(lstm_inp, initial_state=[mlp_dense,mlp_dense])
lstm_out = Dense(10,activation='softmax')(lstm_layer)

model = Model([mlp_inp, lstm_inp], lstm_out)
model.compile(optimizer="adam", loss="categorical_crossentropy", metrics=  ['accuracy'])

但是，由于上述有两种状态的事实，您可能需要分别考虑每个初始状态的两个MLP层。

# define mlp 
mlp_inp = Input(batch_shape=(batch_size, hidden_state_dim))
mlp_dense_h = Dense(hidden_state_dim, activation='relu')(mlp_inp)
mlp_dense_c = Dense(hidden_state_dim, activation='relu')(mlp_inp)

## Define LSTM model
lstm_inp = Input(batch_shape=(batch_size, seq_len, inp_size))
lstm_layer = LSTM(lstm_dim)(lstm_inp, initial_state=[mlp_dense_h,mlp_dense_c])
lstm_out = Dense(10,activation='softmax')(lstm_layer)

model = Model([mlp_inp, lstm_inp], lstm_out)
model.compile(optimizer="adam", loss="categorical_crossentropy", metrics=  ['accuracy'])

另外，请注意，当您保存此模型时，请使用save_weights而不是save，因为save_model无法处理初始状态传递。另外，作为一个小小的说明。