2

我正在尝试构建一个具有注意力机制的双向 RNN 用于序列分类。我在理解辅助函数时遇到了一些问题。我已经看到用于训练的那个需要解码器输入，但由于我想要整个序列中的一个标签，我不知道我应该在这里给出什么输入。这是我到目前为止构建的结构：

# Encoder LSTM cells
lstm_fw_cell = rnn.BasicLSTMCell(n_hidden)
lstm_bw_cell = rnn.BasicLSTMCell(n_hidden)

# Bidirectional RNN
outputs, states = tf.nn.bidirectional_dynamic_rnn(lstm_fw_cell,
                  lstm_bw_cell, inputs=x, 
                  sequence_length=seq_len, dtype=tf.float32)

# Concatenate forward and backward outputs
encoder_outputs = tf.concat(outputs,2)

# Decoder LSTM cell
decoder_cell = rnn.BasicLSTMCell(n_hidden)

# Attention mechanism
attention_mechanism = tf.contrib.seq2seq.LuongAttention(n_hidden, encoder_outputs)
attn_cell = tf.contrib.seq2seq.AttentionWrapper(decoder_cell, 
            attention_mechanism, attention_size=n_hidden)
            name="attention_init")

# Initial attention
attn_zero = attn_cell.zero_state(batch_size=tf.shape(x)[0], dtype=tf.float32)
init_state = attn_zero.clone(cell_state=states[0])

# Helper function
helper = tf.contrib.seq2seq.TrainingHelper(inputs = ???)

# Decoding
my_decoder = tf.contrib.seq2seq.BasicDecoder(cell=attn_cell,
             helper=helper,
             initial_state=init_state)

decoder_outputs, decoder_states = tf.contrib.seq2seq.dynamic_decode(my_decoder)

我的输入是一个序列 [batch_size,sequence_length,n_features]，我的输出是一个包含 N 个可能类 [batch_size,n_classes] 的单个向量。

你知道我在这里遗漏了什么，或者是否可以使用 seq2seq 进行序列分类？

4

1 回答 1

2

根据定义，Seq2Seq 模型不适合这样的任务。顾名思义，它将输入序列（句子中的单词）转换为标签序列（单词的词性）。在您的情况下，您正在寻找每个样本的单个标签，而不是它们的序列。

幸运的是，您已经拥有了所需的一切，因为您只需要编码器（RNN）的输出或状态。

使用它创建分类器的最简单方法是使用 RNN 的最终状态。在此之上添加一个形状为 [n_hidden, n_classes] 的全连接层。在这一点上，您可以训练一个 softmax 层和预测最终类别的损失。

原则上，这不包括注意力机制。但是，如果你想包含一个，可以通过一个学习向量对 RNN 的每个输出进行加权，然后求和来完成。但是，这并不能保证改善结果。如需进一步参考，如果我没记错的话， https://arxiv.org/pdf/1606.02601.pdf实现了这种类型的注意机制。

于 2017-04-28T12:56:21.483 回答