TensorFlow 中的计划采样

Posted 2023-02-19

【中文标题】TensorFlow 中的计划采样

【英文标题】：scheduled sampling in Tensorflow

【发布时间】：2017-10-03 08:57:45

【问题描述】：

关于 seq2seq 模型的最新 Tensorflow api 已包含定时采样：

https://www.tensorflow.org/api_docs/python/tf/contrib/seq2seq/ScheduledEmbeddingTrainingHelper https://www.tensorflow.org/api_docs/python/tf/contrib/seq2seq/ScheduledOutputTrainingHelper

预定抽样的原始论文可以在这里找到： https://arxiv.org/abs/1506.03099

我阅读了论文，但我无法理解 ScheduledEmbeddingTrainingHelper 和 ScheduledOutputTrainingHelper 之间的区别。文档中只说ScheduledEmbeddingTrainingHelper 是一个训练助手，它添加了预定采样，而ScheduledOutputTrainingHelper 是一个训练助手，它直接将定时采样添加到输出中。

我想知道这两个助手有什么区别？

【参考方案1】：

我联系了这背后的工程师，他回复：

输出采样器在该时间步发出原始 rnn 输出或原始地面实况。嵌入采样器将 rnn 输出视为一个分布的 logits，并从该分类分布或该时间步的原始地面实况中发出采样 id 的嵌入查找。

【讨论】：

谢谢！我想知道在哪里可以找到有关预定采样和 seq2seq api 的一些示例用法？

如果我可以稍有不同的说法 - ScheduledOutputTrainingHelper 和 ScheduledEmbeddingTrainingHelper 之间的区别在于前者直接将 RNN 的输出作为输入提供给下一个时间步（当不使用当前时间步长目标作为下一个输入），而后者（同样，当不使用当前时间步长目标作为下一个输入时）将 RNN 的输出视为对其应用 softmax 函数的 logit，对来自结果分布的令牌，它反过来使用它来索引嵌入矩阵中下一个时间步的输入。

【参考方案2】：

这是一个使用ScheduledEmbeddingTrainingHelper、TensorFlow 1.3 和一些更高级别的 tf.contrib API 的基本示例。这是一个 sequence2sequence 模型，其中解码器的初始隐藏状态是编码器的最终隐藏状态。它仅显示如何在单个批次上进行训练（显然任务是“反转此序列”）。对于实际的训练任务，我建议查看 tf.contrib.learn API，例如 learn_runner、Experiment 和 tf.estimator.Estimator。

import tensorflow as tf
import numpy as np
from tensorflow.python.layers.core import Dense

vocab_size = 7
embedding_size = 5
lstm_units = 10

src_batch = np.array([[1, 2, 3], [4, 5, 6]])
trg_batch = np.array([[3, 2, 1], [6, 5, 4]])

# *_seq will have shape (2, 3), *_seq_len will have shape (2)
source_seq = tf.placeholder(shape=(None, None), dtype=tf.int32)
target_seq = tf.placeholder(shape=(None, None), dtype=tf.int32)
source_seq_len = tf.placeholder(shape=(None,), dtype=tf.int32)
target_seq_len = tf.placeholder(shape=(None,), dtype=tf.int32)

# add Start of Sequence (SOS) tokens to each sequence
batch_size, sequence_size = tf.unstack(tf.shape(target_seq))
sos_slice = tf.zeros([batch_size, 1], dtype=tf.int32) # 0 = start of sentence token
decoder_input = tf.concat([sos_slice, target_seq], axis=1)

embedding_matrix = tf.get_variable(
    name="embedding_matrix",
    shape=[vocab_size, embedding_size],
    dtype=tf.float32)
source_seq_embedded = tf.nn.embedding_lookup(embedding_matrix, source_seq) # shape=(2, 3, 5)
decoder_input_embedded = tf.nn.embedding_lookup(embedding_matrix, decoder_input) # shape=(2, 4, 5)

unused_encoder_outputs, encoder_state = tf.nn.dynamic_rnn(
    tf.contrib.rnn.LSTMCell(lstm_units),
    source_seq_embedded,
    sequence_length=source_seq_len,
    dtype=tf.float32)

# Decoder:
# At each time step t and for each sequence in the batch, we get x_t by either
#   (1) sampling from the distribution output_layer(t-1), or
#   (2) reading from decoder_input_embedded.
# We do (1) with probability sampling_probability and (2) with 1 - sampling_probability.
# Using sampling_probability=0.0 is equivalent to using TrainingHelper (no sampling).
# Using sampling_probability=1.0 is equivalent to doing inference,
# where we don't supervise the decoder at all: output at t-1 is the input at t.
sampling_prob = tf.Variable(0.0, dtype=tf.float32)
helper = tf.contrib.seq2seq.ScheduledEmbeddingTrainingHelper(
    decoder_input_embedded,
    target_seq_len,
    embedding_matrix,
    sampling_probability=sampling_prob)

output_layer = Dense(vocab_size)
decoder = tf.contrib.seq2seq.BasicDecoder(
    tf.contrib.rnn.LSTMCell(lstm_units),
    helper,
    encoder_state,
    output_layer=output_layer)

outputs, state, seq_len = tf.contrib.seq2seq.dynamic_decode(decoder)
loss = tf.contrib.seq2seq.sequence_loss(
    logits=outputs.rnn_output,
    targets=target_seq,
    weights=tf.ones(trg_batch.shape))

train_op = tf.contrib.layers.optimize_loss(
    loss=loss,
    global_step=tf.contrib.framework.get_global_step(),
    optimizer=tf.train.AdamOptimizer,
    learning_rate=0.001)

with tf.Session() as session:
    session.run(tf.global_variables_initializer())
    _, _loss = session.run([train_op, loss], 
        source_seq: src_batch,
        target_seq: trg_batch,
        source_seq_len: [3, 3],
        target_seq_len: [3, 3],
        sampling_prob: 0.5
    )
    print("Loss: " + str(_loss))

对于ScheduledOutputTrainingHelper，我希望只换掉助手并使用：

helper = tf.contrib.seq2seq.ScheduledOutputTrainingHelper(
    target_seq,
    target_seq_len,
    sampling_probability=sampling_prob)

但是这会产生错误，因为 LSTM 单元要求每个时间步长有一个多维输入（形状为 (batch_size, input_dims)）。我会在 GitHub 上提出一个问题，看看这是否是一个错误，或者还有其他方法可以使用 ScheduledOutputTrainingHelper。

【讨论】：

您能否提供一个指向您的 GitHub 问题的链接？

我有点忙，最终没有提出来。

@MattiasArro 碰巧有解决您在ScheduledOutputTrainingHelper 中指出的问题的方法。如果将target_seq（整数标记序列）转换为单热向量序列，则不会遇到此错误，如下所示：tf.contrib.seq2seq.ScheduledOutputTrainingHelper(tf.one_hot(target_seq), target_seq_len, sampling_probability=sampling_prob)。

如果架构中没有编码器-解码器，你将如何使用这个ScheduledOutputTrainingHelper？假设它是一个简单的堆叠 LSTM。像这样this

【参考方案3】：

这也可能对您有所帮助。这适用于您希望在每个解码步骤分别进行预定采样的情况。

import tensorflow as tf
import numpy as np
from tensorflow.python.ops import array_ops
from tensorflow.python.ops import gen_array_ops
from tensorflow.python.ops import math_ops
from tensorflow.python.ops.distributions import categorical
from tensorflow.python.ops.distributions import bernoulli
batch_size = 64
vocab_size = 50000
emb_dim = 128
output = tf.get_variable('output', 
initializer=tf.constant(np.random.rand(batch_size,vocab_size)))
base_next_inputs = tf.get_variable('input', 
initializer=tf.constant(np.random.rand(batch_size,emb_dim)))
embedding = tf.get_variable('embedding', 
initializer=tf.constant(np.random.rand(vocab_size,emb_dim)))
select_sampler = bernoulli.Bernoulli(probs=0.99, dtype=tf.bool)
select_sample = select_sampler.sample(sample_shape=batch_size, 
seed=123)
sample_id_sampler = categorical.Categorical(logits=output)
sample_ids = array_ops.where(
    select_sample,
    sample_id_sampler.sample(seed=123),
    gen_array_ops.fill([batch_size], -1))

where_sampling = math_ops.cast(
   array_ops.where(sample_ids > -1), tf.int32)
where_not_sampling = math_ops.cast(
   array_ops.where(sample_ids <= -1), tf.int32)
sample_ids_sampling = array_ops.gather_nd(sample_ids, where_sampling)
inputs_not_sampling = array_ops.gather_nd(base_next_inputs, 
     where_not_sampling)
sampled_next_inputs = tf.nn.embedding_lookup(embedding, 
    sample_ids_sampling)
base_shape = array_ops.shape(base_next_inputs)
result1 = array_ops.scatter_nd(indices=where_sampling, 
   updates=sampled_next_inputs, shape=base_shape)
result2 = array_ops.scatter_nd(indices=where_not_sampling, 
   updates=inputs_not_sampling, shape=base_shape)
result = result1 + result2

我使用了 tensorflow 文档代码来制作这个示例。 https://github.com/tensorflow/tensorflow/blob/r1.5/tensorflow/contrib/seq2seq/python/ops/helper.py

【讨论】：

如果架构中没有编码器-解码器，你将如何使用这个ScheduledOutputTrainingHelper？假设它是一个简单的堆叠 LSTM。像这样this