Tensorflow:联合训练CNN+LSTM

Question

关于如何在 TF 中单独使用 LSTM 的例子很多，但我找不到任何关于如何联合训练 CNN + LSTM 的好例子。
在我看来，如何进行这样的训练并不是很简单，我可以在这里想到几个选项:

首先，我相信最简单的解决方案(或最原始的解决方案)是独立训练 CNN 以学习特征，然后在不更新 CNN 部分的情况下在 CNN 特征上训练 LSTM，因为可能必须在 numpy 中提取和保存这些特征然后将它们提供给 TF 中的 LSTM。但在这种情况下，人们可能不得不使用不同标记的数据集进行 CNN 的预训练，这消除了端到端训练的优势，即学习 LSTM 所针对的最终目标的特征(除了必须拥有这些首先是附加标签)。

第二种选择是连接批处理中的所有时间片
维度(4-d 张量)，将其提供给 CNN，然后以某种方式重新打包
训练 LSTM 所需的 5-d 张量特征，然后应用成本函数。我主要担心的是，是否有可能做这样的事情。此外，处理可变长度序列变得有点棘手。例如，在预测场景中，您一次只能输入单帧。因此，如果这是进行联合训练的正确方式，我会很高兴看到一些例子。除此之外，这个解决方案看起来更像是一个黑客，因此，如果有更好的方法可以做到这一点，如果有人可以分享它会很棒。

先感谢您 !

Answer 1

对于联合训练，您可以考虑使用文档 https://www.tensorflow.org/api_docs/python/tf/map_fn 中所述的 tf.map_fn .

让我们假设 CNN 是按照此处所述的类似路线构建的 https://github.com/tensorflow/models/blob/master/tutorials/image/cifar10/cifar10.py .

def joint_inference(sequence):
    inference_fn = lambda image: inference(image)
    logit_sequence = tf.map_fn(inference_fn, sequence, dtype=tf.float32, swap_memory=True)
    lstm_cell = tf.contrib.rnn.LSTMCell(128)
    output_state, intermediate_state = tf.nn.dynamic_rnn(cell=lstm_cell, inputs=logit_sequence)
    projection_function = lambda state: tf.contrib.layers.linear(state, num_outputs=num_classes, activation_fn=tf.nn.sigmoid)
    projection_logits = tf.map_fn(projection_function, output_state)
    return projection_logits

警告:您可能需要查看 https://www.tensorflow.org/tutorials/using_gpu 此处所述的设备放置。如果您的模型大于 gpu 可以分配的内存。

另一种方法是展平视频批处理以创建图像批处理，从 CNN 进行前向传递并 reshape LSTM 的特征。