tensorflow - Tensorflow 中基于 CuDnnGRU 的 RNN 实现的简单示例

Question

我使用以下代码来实现标准 GRU:

def BiRNN_deep_dynamic_FAST_FULL_autolength(x,batch_size,dropout,hidden_dim):

seq_len=length_rnn(x)

with tf.variable_scope('forward'):
    lstm_cell_fwd =tf.contrib.rnn.GRUCell(hidden_dim,kernel_initializer=tf.contrib.layers.xavier_initializer(),bias_initializer=tf.contrib.layers.xavier_initializer())
    lstm_cell_fwd = tf.contrib.rnn.DropoutWrapper(lstm_cell_fwd, output_keep_prob=dropout)
with tf.variable_scope('backward'):
    lstm_cell_back =tf.contrib.rnn.GRUCell(hidden_dim,kernel_initializer=tf.contrib.layers.xavier_initializer(),bias_initializer=tf.contrib.layers.xavier_initializer())
    lstm_cell_back = tf.contrib.rnn.DropoutWrapper(lstm_cell_back, output_keep_prob=dropout)

outputs,_= tf.nn.bidirectional_dynamic_rnn(cell_fw=lstm_cell_fwd,cell_bw= lstm_cell_back,inputs=x,sequence_length=seq_len,dtype=tf.float32,time_major=False)
outputs_fwd,outputs_bck=outputs

### fwd matrix is the matrix that keeps all the last [-1] vectors
fwd_matrix=tf.gather_nd(outputs_fwd, tf.stack([tf.range(batch_size), seq_len-1], axis=1))       ###  99,64

outputs_fwd=tf.transpose(outputs_fwd,[1,0,2])
outputs_bck=tf.transpose(outputs_bck,[1,0,2])

return outputs_fwd,outputs_bck,fwd_matrix

任何人都可以提供一个简单的示例来说明如何以类似的方式使用 tf.contrib.cudnn_rnn.CudnnGRU Cell 吗？仅更换电池是行不通的。

第一个问题是 CuDnnGRU 单元没有 dropout 包装器，这很好。其次，它似乎不适用于 tf.nn.bi Direction_dynamic_rnn。任何帮助表示赞赏。

Answer 1

CudnnGRU 不是 RNNCell 实例。它更类似于dynamic_rnn。

下面的张量操作是等效的，其中input_tensor是时间主张量，即形状[max_sequence_length, batch_size, embedding_size]。 CudnnGRU 期望输入张量是时间主要的(与更标准的批量主要格式相反，即形状 [batch_size, max_sequence_length, embedding_size])，并且使用时间主要是一个很好的实践无论如何，使用 RNN 操作的张量因为它们更快。

CudnnGRU:

rnn = tf.contrib.cudnn_rnn.CudnnGRU(
  num_rnn_layers, hidden_size, direction='bidirectional')

rnn_output = rnn(input_tensor)

CudnnCompatibleGRUCell:

rnn_output = input_tensor
sequence_length = tf.reduce_sum(
  tf.sign(inputs),
  reduction_indices=0)  # 1 if `input_tensor` is batch-major.

  for _ in range(num_rnn_layers):
    fw_cell = tf.contrib.cudnn_rnn.CudnnCompatibleGRUCell(hidden_size)
    bw_cell = tf.contrib.cudnn_rnn.CudnnCompatibleGRUCell(hidden_size)
    rnn_output = tf.nn.bidirectional_dynamic_rnn(
      fw_cell, bw_cell, rnn_output, sequence_length=sequence_length,
      dtype=tf.float32, time_major=True)[1]  # Set `time_major` accordingly

注意以下几点:

1. 如果您使用的是 LSTM，则无需使用 CudnnCompatibleLSTMCell；您可以使用标准的LSTMCell。但对于 GRU，Cudnn 实现本质上具有不同的数学运算，特别是更多的权重 ( see the documentation )。
2. 与 dynamic_rnn 不同，CudnnGRU 不允许您指定序列长度。尽管如此，它还是快了一个数量级，但是您必须小心如何提取输出(例如，如果您对每个填充且长度不同的序列的最终隐藏状态感兴趣，您将需要每个序列的长度)。
在这两种情况下，
3. rnn_output 可能是一个包含大量(不同)内容的元组。请参阅文档，或者直接打印出来，以检查您需要输出的哪些部分。