12

我的问题和问题在两个代码块下面说明。

损失函数

def loss(labels, logits, sequence_lengths, label_lengths, logit_lengths):    
    scores = []
    for i in xrange(runner.batch_size):
        sequence_length = sequence_lengths[i]
        for j in xrange(length):
            label_length = label_lengths[i, j]
            logit_length = logit_lengths[i, j]

             # get top k indices <==> argmax_k(labels[i, j, 0, :], label_length)
            top_labels = np.argpartition(labels[i, j, 0, :], -label_length)[-label_length:]
            top_logits = np.argpartition(logits[i, j, 0, :], -logit_length)[-logit_length:]

            scores.append(edit_distance(top_labels, top_logits))

    return np.mean(scores)
    
# Levenshtein distance
def edit_distance(s, t):
    n = s.size
    m = t.size
    d = np.zeros((n+1, m+1))
    d[:, 0] = np.arrange(n+1)
    d[0, :] = np.arrange(n+1)

    for j in xrange(1, m+1):
        for i in xrange(1, n+1):
            if s[i] == t[j]:
                d[i, j] = d[i-1, j-1]
            else:
                d[i, j] = min(d[i-1, j] + 1,
                              d[i, j-1] + 1,
                              d[i-1, j-1] + 1)

    return d[m, n]

被用于

我试图扁平化我的代码，以便一切都发生在一个地方。如果有错别字/混淆点，请告诉我。

sequence_lengths_placeholder = tf.placeholder(tf.int64, shape=(batch_size))
labels_placeholder = tf.placeholder(tf.float32, shape=(batch_size, max_feature_length, label_size))
label_lengths_placeholder = tf.placeholder(tf.int64, shape=(batch_size, max_feature_length))
loss_placeholder = tf.placeholder(tf.float32, shape=(1))

logit_W = tf.Variable(tf.zeros([lstm_units, label_size]))
logit_b = tf.Variable(tf.zeros([label_size]))

length_W = tf.Variable(tf.zeros([lstm_units, max_length]))
length_b = tf.Variable(tf.zeros([max_length]))

lstm = rnn_cell.BasicLSTMCell(lstm_units)
stacked_lstm = rnn_cell.MultiRNNCell([lstm] * layer_count)

rnn_out, state = rnn.rnn(stacked_lstm, features, dtype=tf.float32, sequence_length=sequence_lengths_placeholder)

logits = tf.concat(1, [tf.reshape(tf.matmul(t, logit_W) + logit_b, [batch_size, 1, 2, label_size]) for t in rnn_out])

logit_lengths = tf.concat(1, [tf.reshape(tf.matmul(t, length_W) + length_b, [batch_size, 1, max_length]) for t in rnn_out])

optimizer = tf.train.AdamOptimizer(learning_rate)
global_step = tf.Variable(0, name='global_step', trainable=False)
train_op = optimizer.minimize(loss_placeholder, global_step=global_step)

...
...
# Inside training loop

np_labels, np_logits, sequence_lengths, label_lengths, logit_lengths = sess.run([labels_placeholder, logits, sequence_lengths_placeholder, label_lengths_placeholder, logit_lengths], feed_dict=feed_dict)
loss = loss(np_labels, np_logits, sequence_lengths, label_lengths, logit_lengths)
_ = sess.run([train_op], feed_dict={loss_placeholder: loss})

我的问题

问题是这正在返回错误：

  File "runner.py", line 63, in <module>
    train_op = optimizer.minimize(loss_placeholder, global_step=global_step)
  File "/usr/local/lib/python2.7/dist-packages/tensorflow/python/training/optimizer.py", line 188, in minimize
    name=name)
  File "/usr/local/lib/python2.7/dist-packages/tensorflow/python/training/optimizer.py", line 277, in apply_gradients
    (grads_and_vars,))

  ValueError: No gradients provided for any variable: <all my variables>

所以我假设这是 TensorFlow 抱怨它无法计算我的损失的梯度，因为损失是由 numpy 执行的，超出了 TF 的范围。

所以很自然地要解决这个问题，我会尝试在 TensorFlow 中实现它。问题是，我的logit_lengths和label_lengths都是张量，所以当我尝试访问单个元素时，我会返回一个形状为 [] 的张量。当我尝试使用tf.nn.top_k()它的Int参数k时，这是一个问题。

另一个问题是我label_lengths的占位符，因为我的loss值需要在optimizer.minimize(loss)调用之前定义，我也收到一个错误，说需要为占位符传递一个值。

我只是想知道如何尝试实现这个损失函数。或者，如果我遗漏了一些明显的东西。

编辑：经过进一步阅读，我发现通常像我描述的损失一样用于验证和训练替代损失，该损失在与使用真实损失相同的位置最小化。有谁知道像我这样的基于编辑距离的场景使用什么替代损失？

4

1 回答 1

1

我要做的第一件事是使用 tensorflow 而不是 numpy 来计算损失。这将允许 tensorflow 为您计算梯度，因此您将能够反向传播，这意味着您可以最大限度地减少损失。

核心库中有 tf.edit_distance( https://www.tensorflow.org/api_docs/python/tf/edit_distance ) 函数。

所以很自然地要解决这个问题，我会尝试在 TensorFlow 中实现它。问题是，我的 logit_lengths 和 label_lengths 都是张量，所以当我尝试访问单个元素时，我返回了一个形状为 [] 的张量。当我尝试使用将 Int 作为其 k 参数的 tf.nn.top_k() 时，这是一个问题。

您能否提供更多详细信息，为什么这是一个问题？

于 2017-05-10T09:57:23.953 回答