- html - 出于某种原因,IE8 对我的 Sass 文件中继承的 html5 CSS 不友好?
- JMeter 在响应断言中使用 span 标签的问题
- html - 在 :hover and :active? 上具有不同效果的 CSS 动画
- html - 相对于居中的 html 内容固定的 CSS 重复背景?
我对如何在 keras 中正确使用 RNN(特别是 GRU 单元)中的 dropout 感到困惑。 keras 文档引用了这篇论文( https://arxiv.org/abs/1512.05287 ),我知道所有时间步长都应该使用相同的 dropout mask。这是通过指定 GRU 层本身时的 dropout 参数来实现的。我不明白的是:
为什么互联网上有几个示例,包括 keras 自己的示例 ( https://github.com/keras-team/keras/blob/master/examples/imdb_bidirectional_lstm.py ) 和 Andrew Ng 的 Coursera Seq 中的“触发词检测”作业。模型类(class),他们明确添加了一个 dropout 层“model.add(Dropout(0.5))”,据我了解,这将为每个时间步添加不同的掩码。
上面提到的论文表明,这样做是不合适的,并且由于这种丢失噪声在所有时间步长上的积累,我们可能会丢失信号以及长期内存。但是,这些模型(在每个时间步使用不同的 dropout mask)如何能够良好地学习和表现。
我自己训练了一个模型,该模型在每个时间步都使用不同的 dropout mask,尽管我没有得到我想要的结果,但该模型能够过度拟合训练数据。根据我的理解,这会使所有时间步长上的“噪声累积”和“信号丢失”失效(我有 1000 个时间步长序列输入到 GRU 层)。
对这种情况的任何见解、解释或经验都会有所帮助。谢谢。
更新:
为了更清楚地说明,我将提到 Dropout Layer 的 keras 文档中的摘录(“noise_shape:表示将与输入相乘的二进制 dropout mask 的形状的一维整数张量。例如,如果您的输入有shape (batch_size, timesteps, features) 并且您希望所有时间步长的 dropout mask 都相同,则可以使用 Noise_shape=(batch_size, 1, features")。因此,我相信,可以看出,当显式使用 Dropout 层并且在每个时间步都需要相同的掩码时(如论文中提到的),我们需要编辑这个 noise_shape 参数,这在我之前链接的示例中没有完成.
最佳答案
正如 Asterisk 在评论中所解释的那样,循环单元内的 dropout 和单元输出后的 dropout 之间存在根本区别。这是 keras tutorial 中的架构您在问题中链接:
model = Sequential()
model.add(Embedding(max_features, 128, input_length=maxlen))
model.add(Bidirectional(LSTM(64)))
model.add(Dropout(0.5))
model.add(Dense(1, activation='sigmoid'))
您在 LSTM 完成计算之后添加了一个 dropout 层,这意味着该单元中不会再有任何循环遍历。想象一下,这个 dropout 层教导网络不要依赖特定时间步长的特定特征的输出,而是概括不同特征和时间步长的信息。这里的 Dropout 与前馈架构没有什么不同。
什么Gal & Ghahramani在他们的论文(您在问题中链接)中提出的建议是在循环单元内退出。在那里,您将在序列的时间步之间放置输入信息。我发现this blogpost对于理解本文及其与 keras 实现的关系非常有帮助。
关于machine-learning - 关于在 RNN (Keras) 中正确使用 dropout,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/50458428/
我有兴趣在 tf.keras 中训练一个模型,然后用 keras 加载它。我知道这不是高度建议,但我对使用 tf.keras 来训练模型很感兴趣,因为 tf.keras 更容易构建输入管道 我想利用
我进行了大量搜索,但仍然无法弄清楚如何编写具有多个交互输出的自定义损失函数。 我有一个神经网络定义为: def NeuralNetwork(): inLayer = Input((2,));
我正在阅读一篇名为 Differential Learning Rates 的文章在 Medium 上,想知道这是否可以应用于 Keras。我能够找到在 pytorch 中实现的这项技术。这可以在 K
我正在实现一个神经网络分类器,以打印我正在使用的这个神经网络的损失和准确性: score = model.evaluate(x_test, y_test, verbose=False) model.m
我最近在查看模型摘要时遇到了这个问题。 我想知道,[(None, 16)] 和有什么区别?和 (None, 16) ?为什么输入层有这样的输入形状? 来源:model.summary() can't
我正在尝试使用 Keras 创建自定义损失函数。我想根据输入计算损失函数并预测神经网络的输出。 我尝试在 Keras 中使用 customloss 函数。我认为 y_true 是我们为训练提供的输出,
我有一组样本,每个样本都是一组属性的序列(例如,一个样本可以包含 10 个序列,每个序列具有 5 个属性)。属性的数量总是固定的,但序列的数量(时间戳)可能因样本而异。我想使用这个样本集在 Keras
Keras 在训练集和测试集文件夹中发现了错误数量的类。我有 3 节课,但它一直说有 4 节课。有人可以帮我吗? 这里的代码: cnn = Sequential() cnn.add(Conv2D(32
我想编写一个自定义层,在其中我可以在两次运行之间将变量保存在内存中。例如, class MyLayer(Layer): def __init__(self, out_dim = 51, **kwarg
我添加了一个回调来降低学习速度: keras.callbacks.ReduceLROnPlateau(monitor='val_loss', factor=0.5, patience=100,
在 https://keras.io/layers/recurrent/我看到 LSTM 层有一个 kernel和一个 recurrent_kernel .它们的含义是什么?根据我的理解,我们需要 L
问题与标题相同。 我不想打开 Python,而是使用 MacOS 或 Ubuntu。 最佳答案 Python 库作者将版本号放入 .__version__ 。您可以通过在命令行上运行以下命令来打印它:
Keras 文档并不清楚这实际上是什么。我知道我们可以用它来将输入特征空间压缩成更小的空间。但从神经设计的角度来看,这是如何完成的呢?它是一个自动编码器,RBM吗? 最佳答案 据我所知,嵌入层是一个简
我想实现[http://ydwen.github.io/papers/WenECCV16.pdf]中解释的中心损失]在喀拉斯 我开始创建一个具有 2 个输出的网络,例如: inputs = Input
我正在尝试实现多对一模型,其中输入是大小为 的词向量d .我需要输出一个大小为 的向量d 在 LSTM 结束时。 在此 question ,提到使用(对于多对一模型) model = Sequenti
我有不平衡的训练数据集,这就是我构建自定义加权分类交叉熵损失函数的原因。但问题是我的验证集是平衡的,我想使用常规的分类交叉熵损失。那么我可以在 Keras 中为验证集传递不同的损失函数吗?我的意思是用
DL 中的一项常见任务是将输入样本归一化为零均值和单位方差。可以使用如下代码“手动”执行规范化: mean = np.mean(X, axis = 0) std = np.std(X, axis =
我正在尝试学习 Keras 并使用 LSTM 解决分类问题。我希望能够绘制 准确率和损失,并在训练期间更新图。为此,我正在使用 callback function . 由于某种原因,我在回调中收到的准
在 Keras 内置函数中嵌入使用哪种算法?Word2vec?手套?其他? https://keras.io/layers/embeddings/ 最佳答案 简短的回答是都不是。本质上,GloVe 的
我有一个使用 Keras 完全实现的 LSTM RNN,我想使用梯度剪裁,梯度范数限制为 5(我正在尝试复制一篇研究论文)。在实现神经网络方面,我是一个初学者,我将如何实现? 是否只是(我正在使用 r
我是一名优秀的程序员,十分优秀!