如何在 Keras 的两个 LSTM 层之间添加注意力层
Posted
技术标签:
【中文标题】如何在 Keras 的两个 LSTM 层之间添加注意力层【英文标题】:How to add Attention layer between two LSTM layers in Keras 【发布时间】:2019-05-22 23:04:41 【问题描述】:我正在尝试在编码器 LSTM(多对多)和解码器 LSTM(多对一)之间添加一个注意力层。
但我的代码似乎只为一个解码器 LSTM 输入创建了注意力层。
如何将注意力层应用于解码器 LSTM 的所有输入? (注意力层的输出 = (None,1440,984))
这是我模型的注意力层的总结。
__________________________________________________________________________________________________
Layer (type) Output Shape Param # Connected to
==================================================================================================
input_1 (InputLayer) (None, 1440, 5) 0
__________________________________________________________________________________________________
bidirectional_1 (Bidirectional) (None, 1440, 984) 1960128 input_1[0][0]
__________________________________________________________________________________________________
dense_1 (Dense) (None, 1440, 1) 985 bidirectional_1[0][0]
__________________________________________________________________________________________________
flatten_1 (Flatten) (None, 1440) 0 dense_1[0][0]
__________________________________________________________________________________________________
activation_1 (Activation) (None, 1440) 0 flatten_1[0][0]
__________________________________________________________________________________________________
repeat_vector_1 (RepeatVector) (None, 984, 1440) 0 activation_1[0][0]
__________________________________________________________________________________________________
permute_1 (Permute) (None, 1440, 984) 0 repeat_vector_1[0][0]
__________________________________________________________________________________________________
multiply_1 (Multiply) (None, 1440, 984) 0 bidirectional_1[0][0]
permute_1[0][0]
__________________________________________________________________________________________________
lambda_1 (Lambda) (None, 984) 0 multiply_1[0][0]
==================================================================================================
Total params: 1,961,113
Trainable params: 1,961,113
Non-trainable params: 0
__________________________________________________________________________________________________
这是我的代码
_input = Input(shape=(self.x_seq_len, self.input_x_shape), dtype='float32')
activations = Bidirectional(LSTM(self.hyper_param['decoder_units'], return_sequences=True), input_shape=(self.x_seq_len, self.input_x_shape,))(_input)
# compute importance for each step
attention = Dense(1, activation='tanh')(activations)
attention = Flatten()(attention)
attention = Activation('softmax')(attention)
attention = RepeatVector(self.hyper_param['decoder_units']*2)(attention)
attention = Permute([2, 1])(attention)
sent_representation = Multiply()([activations, attention])
sent_representation = Lambda(lambda xin: K.sum(xin, axis=-2), output_shape=(self.hyper_param['decoder_units']*2,))(sent_representation)
attn = Model(input=_input, output=sent_representation)
model.add(attn)
#decoder
model.add(LSTM(self.hyper_param['encoder_units'], return_sequences=False, input_shape=(None, self.hyper_param['decoder_units'] * 2 )))
【问题讨论】:
【参考方案1】:注意力意味着迭代地获取一个解码器输出值(最后一个隐藏状态),然后使用这个“查询”,“关注”所有“值”,这不过是编码器输出的整个列表。
所以 input1 = 前一个时间步的解码器隐藏状态:'key'
input2 = 所有编码器隐藏状态:'value's
输出 = 上下文:所有编码器隐藏状态的加权和
使用上下文,解码器的prev隐藏状态和prev翻译输出生成下一个单词和新的隐藏输出状态,然后再次重复上述过程,直到遇到'EOS'。
您的注意力逻辑本身是完美的(不包括涉及解码器的最后一行)。但是您的其余代码丢失了。如果您可以分享完整的代码,我可以帮助您解决错误。我认为您定义的注意力逻辑没有错误。
更多具体细节请参考https://towardsdatascience.com/create-your-own-custom-attention-layer-understand-all-flavours-2201b5e8be9e
【讨论】:
以上是关于如何在 Keras 的两个 LSTM 层之间添加注意力层的主要内容,如果未能解决你的问题,请参考以下文章
Python keras如何将卷积层转换为lstm层后的输入大小