我正在尝试使用 tensorflow LSTM model进行下一个单词预测。

如本 related question 中所述(没有可接受的答案)该示例包含用于提取下一个单词概率的伪代码:

lstm = rnn_cell.BasicLSTMCell(lstm_size)
# Initial state of the LSTM memory.
state = tf.zeros([batch_size, lstm.state_size])

loss = 0.0
for current_batch_of_words in words_in_dataset:
  # The value of state is updated after processing each batch of words.
  output, state = lstm(current_batch_of_words, state)

  # The LSTM output can be used to make next word predictions
  logits = tf.matmul(output, softmax_w) + softmax_b
  probabilities = tf.nn.softmax(logits)
  loss += loss_function(probabilities, target_words)

我对如何解释概率向量感到困惑。我在 ptb_word_lm.py 中修改了 PTBModel 的 __init__ 函数。存储概率和对数:

class PTBModel(object):
  """The PTB model."""

  def __init__(self, is_training, config):
    # General definition of LSTM (unrolled)
    # identical to tensorflow example ...     
    # omitted for brevity ...


    # computing the logits (also from example code)
    logits = tf.nn.xw_plus_b(output,
                             tf.get_variable("softmax_w", [size, vocab_size]),
                             tf.get_variable("softmax_b", [vocab_size]))
    loss = seq2seq.sequence_loss_by_example([logits],
                                            [tf.reshape(self._targets, [-1])],
                                            [tf.ones([batch_size * num_steps])],
                                            vocab_size)
    self._cost = cost = tf.reduce_sum(loss) / batch_size
    self._final_state = states[-1]

    # my addition: storing the probabilities and logits
    self.probabilities = tf.nn.softmax(logits)
    self.logits = logits

    # more model definition ...

然后在 run_epoch 函数中打印一些关于它们的信息:

def run_epoch(session, m, data, eval_op, verbose=True):
  """Runs the model on the given data."""
  # first part of function unchanged from example

  for step, (x, y) in enumerate(reader.ptb_iterator(data, m.batch_size,
                                                    m.num_steps)):
    # evaluate proobability and logit tensors too:
    cost, state, probs, logits, _ = session.run([m.cost, m.final_state, m.probabilities, m.logits, eval_op],
                                 {m.input_data: x,
                                  m.targets: y,
                                  m.initial_state: state})
    costs += cost
    iters += m.num_steps

    if verbose and step % (epoch_size // 10) == 10:
      print("%.3f perplexity: %.3f speed: %.0f wps, n_iters: %s" %
            (step * 1.0 / epoch_size, np.exp(costs / iters),
             iters * m.batch_size / (time.time() - start_time), iters))
      chosen_word = np.argmax(probs, 1)
      print("Probabilities shape: %s, Logits shape: %s" % 
            (probs.shape, logits.shape) )
      print(chosen_word)
      print("Batch size: %s, Num steps: %s" % (m.batch_size, m.num_steps))

  return np.exp(costs / iters)

这会产生如下输出:

0.000 perplexity: 741.577 speed: 230 wps, n_iters: 220
(20, 10000) (20, 10000)
[ 14   1   6 589   1   5   0  87   6   5   3   5   2   2   2   2   6   2  6   1]
Batch size: 1, Num steps: 20

我期望 probs 向量是一个概率数组，词汇表中的每个单词都有一个概率(例如形状为 (1, vocab_size))，意思是我可以按照另一个问题中的建议使用 np.argmax(probs, 1) 获得预测词。

但是，向量的第一维实际上等于展开的 LSTM 中的步数(如果使用小配置设置，则为 20)，我不确定该怎么做。要访问预测词，我是否只需要使用最后一个值(因为它是最后一步的输出)？还是我还缺少其他东西？

我试图通过查看 seq2seq.sequence_loss_by_example 的实现来理解预测是如何做出和评估的，它必须执行此评估，但这最终会调用 gen_nn_ops._sparse_softmax_cross_entropy_with_logits，它似乎没有包含在 github 存储库中，所以我不确定还有什么地方可以看。

我对 tensorflow 和 LSTM 都很陌生，所以非常感谢您的帮助!

最佳答案

output 张量包含每个时间步的 LSTM 单元输出的串联(参见其定义 here )。因此，您可以通过采用 chosen_word[-1](或 chosen_word[sequence_length - 1] 如果序列已被填充以匹配展开的 LSTM ).

tf.nn.sparse_softmax_cross_entropy_with_logits() op 以不同的名称记录在公共(public) API 中。由于技术原因，它调用了一个未出现在 GitHub 存储库中的生成的包装器函数。 op 的实现是在 C++ 中，here .

关于python - 使用 LSTM ptb 模型 tensorflow 示例预测下一个词，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/36286594/