LSTM 编码器-解码器推理模型

Posted 2023-02-16

【中文标题】LSTM 编码器-解码器推理模型

【英文标题】：LSTM Encoder-Decoder Inference Model

【发布时间】：2019-09-11 23:14:54

【问题描述】：

很多基于 LSTM 的 seq2seq 编解码器架构教程（例如英法翻译），将模型定义如下：

encoder_inputs = Input(shape=(None,))
en_x=  Embedding(num_encoder_tokens, embedding_size)(encoder_inputs)

# Encoder lstm
encoder = LSTM(50, return_state=True)
encoder_outputs, state_h, state_c = encoder(en_x)

# We discard `encoder_outputs` and only keep the states.
encoder_states = [state_h, state_c]

# Set up the decoder, using `encoder_states` as initial state.
decoder_inputs = Input(shape=(None,))

# french word embeddings
dex=  Embedding(num_decoder_tokens, embedding_size)
final_dex= dex(decoder_inputs)

# decoder lstm
decoder_lstm = LSTM(50, return_sequences=True, return_state=True)
decoder_outputs, _, _ = decoder_lstm(final_dex,
                                     initial_state=encoder_states)

decoder_dense = Dense(num_decoder_tokens, activation='softmax')
decoder_outputs = decoder_dense(decoder_outputs)

# While training, model takes eng and french words and outputs #translated french word
fullmodel = Model([encoder_inputs, decoder_inputs], decoder_outputs)

# rmsprop is preferred for nlp tasks
fullmodel.compile(optimizer='rmsprop', loss='categorical_crossentropy', metrics=['acc'])

fullmodel.fit([encoder_input_data, decoder_input_data], decoder_target_data,
          batch_size=128,
          epochs=100,
          validation_split=0.20)

然后对于预测，他们定义推理模型如下：

# define the encoder model 
encoder_model = Model(encoder_inputs, encoder_states)
encoder_model.summary()


# Redefine the decoder model with decoder will be getting below inputs from encoder while in prediction
decoder_state_input_h = Input(shape=(50,))
decoder_state_input_c = Input(shape=(50,))
decoder_states_inputs = [decoder_state_input_h, decoder_state_input_c]
final_dex2= dex(decoder_inputs)

decoder_outputs2, state_h2, state_c2 = decoder_lstm(final_dex2, initial_state=decoder_states_inputs)

decoder_states2 = [state_h2, state_c2]
decoder_outputs2 = decoder_dense(decoder_outputs2)

# sampling model will take encoder states and decoder_input(seed initially) and output the predictions(french word index) We dont care about decoder_states2
decoder_model = Model(
    [decoder_inputs] + decoder_states_inputs,
    [decoder_outputs2] + decoder_states2)

然后预测使用：

# Reverse-lookup token index to decode sequences back to
# something readable.
reverse_input_char_index = dict(
    (i, char) for char, i in input_token_index.items())
reverse_target_char_index = dict(
    (i, char) for char, i in target_token_index.items())


def decode_sequence(input_seq):
    # Encode the input as state vectors.
    states_value = encoder_model.predict(input_seq)

    # Generate empty target sequence of length 1.
    target_seq = np.zeros((1,1))
    # Populate the first character of target sequence with the start character.
    target_seq[0, 0] = target_token_index['START_']

   # Sampling loop for a batch of sequences
    # (to simplify, here we assume a batch of size 1).
    stop_condition = False
    decoded_sentence = ''
    while not stop_condition:
        output_tokens, h, c = decoder_model.predict(
            [target_seq] + states_value)

        # Sample a token
        sampled_token_index = np.argmax(output_tokens[0, -1, :])
        sampled_char = reverse_target_char_index[sampled_token_index]
        decoded_sentence += ' '+sampled_char

        # Exit condition: either hit max length
        # or find stop character.
        if (sampled_char == '_END' or
           len(decoded_sentence) > 52):
            stop_condition = True

       # Update the target sequence (of length 1).
        target_seq = np.zeros((1,1))
        target_seq[0, 0] = sampled_token_index

        # Update states
        states_value = [h, c]
return decoded_sentence

我的问题是，他们训练了名为“fullmodel”的模型以获得最佳权重……在预测部分，他们使用了名称为 (encoder_model & decoder_model) 的推理模型……所以他们没有使用任何来自“完整模型”的权重？！

我不明白他们如何从经过训练的模型中受益！

【参考方案1】：

诀窍是一切都在同一个变量范围内，所以变量被重用了。

【讨论】：

我从磁盘恢复了一个训练有素的 LSTM 模型，然后尝试从中构建推理模型，但我就是做不到。这甚至可能吗？正如你所说，我不得不重新训练整个事情并重新使用训练中的变量。

【参考方案2】：

如果您仔细注意到，训练后的层权重会被重复使用。 例如，在创建decoder_model时，我们使用decoder_lstm层，它被定义为完整模型的一部分， decoder_outputs2, state_h2, state_c2 = decoder_lstm(final_dex2, initial_state=decoder_states_inputs),

编码器模型也使用之前定义的encoder_inputs 和encoder_states 层。 编码器模型=模型（编码器输入，编码器状态）

由于编码器-解码器模型的架构，我们需要执行这些实现技巧。 此外，正如 keras 文档所提到的，使用函数式 API，可以很容易地重用经过训练的模型：您可以通过在张量上调用任何模型来将其视为一个层。 请注意，通过调用模型，您不仅可以重用模型的架构，还可以重用其权重。更多详情请参考 - https://keras.io/getting-started/functional-api-guide/#all-models-are-callable-just-like-layers