3

我正在尝试使用 Tensorflow 制作一个 seq2seq 聊天机器人，但尽管输入不同，但它似乎收敛到相同的输出。该模型在第一次初始化时给出不同的输出，但在几个 epoch 后很快收敛到相同的输出。即使经过了很多时代和低成本，这仍然是一个问题。然而，这些模型在使用较小的数据集（比如 20 个）进行训练时似乎表现良好，但在使用较大的数据集时却失败了。

我正在使用 100 维和 50000 个词汇的手套预训练嵌入来训练康奈尔电影对话语料库。

当给定完全不同的输入时，编码器似乎具有非常接近的最终状态（在 0.01 左右的范围内）。我尝试过使用简单的 LSTM/GRU、双向 LSTM/GRU、多层/堆叠 LSTM/GRU 和多层双向 LSTM/GRU。rnn 节点已经用 16 到 2048 个隐藏单元进行了测试。唯一的区别是，当隐藏单元较少时，模型倾向于只输出开始和结束标记（GO 和 EOS）。

对于多层 GRU，这是我的代码：

cell_encode_0 = tf.contrib.rnn.GRUCell(self.n_hidden)
cell_encode_1 = tf.contrib.rnn.GRUCell(self.n_hidden)
cell_encode_2 = tf.contrib.rnn.GRUCell(self.n_hidden)
self.cell_encode = tf.contrib.rnn.MultiRNNCell([cell_encode_0, cell_encode_1, cell_encode_2])
# identical decoder

...

embedded_x = tf.nn.embedding_lookup(self.word_embedding, self.x)
embedded_y = tf.nn.embedding_lookup(self.word_embedding, self.y)

_, self.encoder_state = tf.nn.dynamic_rnn(
    self.cell_encode,
    inputs=embedded_x,
    dtype=tf.float32,
    sequence_length=self.x_length
    )

# decoder for training
helper = tf.contrib.seq2seq.TrainingHelper(
    inputs=embedded_y,
    sequence_length=self.y_length
    )

decoder = tf.contrib.seq2seq.BasicDecoder(
    self.cell_decode,
    helper,
    self.encoder_state,
    output_layer=self.projection_layer
    )

outputs, _, _ = tf.contrib.seq2seq.dynamic_decode(decoder, maximum_iterations=self.max_sequence, swap_memory=True)

return outputs.rnn_output

...

# Optimization
dynamic_max_sequence = tf.reduce_max(self.y_length)
mask = tf.sequence_mask(self.y_length, maxlen=dynamic_max_sequence, dtype=tf.float32)
crossent = tf.nn.sparse_softmax_cross_entropy_with_logits(
    labels=self.y[:, :dynamic_max_sequence], logits=self.network())
self.cost = (tf.reduce_sum(crossent * mask) / batch_size)
self.train_op = tf.train.AdamOptimizer(self.learning_rate).minimize(self.cost)

完整代码请参见github。（如果你想测试它，运行 train.py）

至于超参数，我尝试了从 0.1 一直到 0.0001 的学习率和从 1 到 32 的批量大小。除了常规和预期效果之外，它们对解决问题没有帮助。

4

1 回答 1

3

经过几个月的挖掘，我终于找到了问题所在。似乎 RNN 在解码器输入中需要 GO 令牌，但在输出中不需要（用于成本的那个）。基本上，RNN 期望其数据如下：

编码器输入：GO foo foo foo EOS

解码器输入/地面实况：GO bar bar bar EOS

解码器输出：bar bar bar EOS EOS/PAD

在我的代码中，我在解码器输入和输出中都包含了 GO 标记，导致 RNN 重复相同的标记（GO -> GO，bar -> bar）。这可以通过创建一个没有基本事实第一列（GO 标记）的附加变量来轻松解决。在 numpy 中，这看起来像

# y is ground truth with shape[0] = batch and shape[1] = token index
np.concatenate([y[:, 1:], np.full([y.shape[0], 1], EOS)], axis=1)
于 2018-10-02T20:35:56.380 回答