tensorflow - 在 tensorflow 中使用波束搜索实现注意力

Question

我已经引用 this 编写了自己的代码精彩的教程，根据我在类 AttentionModel 中的理解，将注意力与波束搜索结合使用时，我无法获得结果，_build_decoder_cell 函数为推理模式创建单独的解码器单元和注意力包装器，假设这个(我认为这是不正确的，并且找不到绕过它)，

with tf.name_scope("Decoder"):

mem_units = 2*dim
dec_cell = tf.contrib.rnn.BasicLSTMCell( 2*dim )
beam_cel = tf.contrib.rnn.BasicLSTMCell( 2*dim )
beam_width = 3
out_layer = Dense( output_vocab_size )

with tf.name_scope("Training"):
    attn_mech = tf.contrib.seq2seq.BahdanauAttention( num_units = mem_units,  memory = enc_rnn_out, normalize=True)
    attn_cell = tf.contrib.seq2seq.AttentionWrapper( cell = dec_cell,attention_mechanism = attn_mech ) 

    batch_size = tf.shape(enc_rnn_out)[0]
    initial_state = attn_cell.zero_state( batch_size = batch_size , dtype=tf.float32 )
    initial_state = initial_state.clone(cell_state = enc_rnn_state)

    helper = tf.contrib.seq2seq.TrainingHelper( inputs = emb_x_y , sequence_length = seq_len )
    decoder = tf.contrib.seq2seq.BasicDecoder( cell = attn_cell, helper = helper, initial_state = initial_state ,output_layer=out_layer ) 
    outputs, final_state, final_sequence_lengths= tf.contrib.seq2seq.dynamic_decode(decoder=decoder,impute_finished=True)

    training_logits = tf.identity(outputs.rnn_output )
    training_pred = tf.identity(outputs.sample_id )

with tf.name_scope("Inference"):

    enc_rnn_out_beam   = tf.contrib.seq2seq.tile_batch( enc_rnn_out   , beam_width )
    seq_len_beam       = tf.contrib.seq2seq.tile_batch( seq_len       , beam_width )
    enc_rnn_state_beam = tf.contrib.seq2seq.tile_batch( enc_rnn_state , beam_width )

    batch_size_beam      = tf.shape(enc_rnn_out_beam)[0]   # now batch size is beam_width times

    # start tokens mean be the original batch size so divide
    start_tokens = tf.tile(tf.constant([27], dtype=tf.int32), [ batch_size_beam//beam_width ] )
    end_token = 0

    attn_mech_beam = tf.contrib.seq2seq.BahdanauAttention( num_units = mem_units,  memory = enc_rnn_out_beam, normalize=True)
    cell_beam = tf.contrib.seq2seq.AttentionWrapper(cell=beam_cel,attention_mechanism=attn_mech_beam,attention_layer_size=mem_units)  

    initial_state_beam = cell_beam.zero_state(batch_size=batch_size_beam,dtype=tf.float32).clone(cell_state=enc_rnn_state_beam)

    my_decoder = tf.contrib.seq2seq.BeamSearchDecoder( cell = cell_beam,
                                                       embedding = emb_out,
                                                       start_tokens = start_tokens,
                                                       end_token = end_token,
                                                       initial_state = initial_state_beam,
                                                       beam_width = beam_width
                                                       ,output_layer=out_layer)

    beam_output, t1 , t2 = tf.contrib.seq2seq.dynamic_decode(  my_decoder,
                                                                maximum_iterations=maxlen )

    beam_logits = tf.no_op()
    beam_sample_id = beam_output.predicted_ids

当我在训练后调用 beam _sample_id 时，我没有得到正确的结果。

我的猜测是我们应该使用相同的注意力包装器，但这是不可能的，因为我们必须使用 tile_sequence 才能使用光束搜索。

任何见解/建议将不胜感激。

我还在他们的主存储库中为此创建了一个问题 Issue-93

Answer 1

我不确定“我无法获得结果”是什么意思，但我假设您的模型没有利用训练时学到的知识。

如果是这种情况，那么首先您需要知道这一切都与变量共享有关，您需要做的第一件事是摆脱训练和推断之间的不同变量范围，而是需要使用一些像

去除那个

with tf.name_scope("Training"):

并使用:

with tf.variable_scope("myScope"):

然后删除

with tf.name_scope("Inference"):

并改用

with tf.variable_scope("myScope" , reuse=True):

也在你的开头和之后 with tf.variable_scope("myScope" )

enc_rnn_out   = tf.contrib.seq2seq.tile_batch( enc_rnn_out   , 1 )
seq_len       = tf.contrib.seq2seq.tile_batch( seq_len       , 1 )
enc_rnn_state = tf.contrib.seq2seq.tile_batch( enc_rnn_state , 1 )

这将确保您的推理变量和训练变量具有相同的签名并共享，

我在遵循您提到的同一教程时对此进行了测试，我的模型在我写这篇文章时仍在训练，但我可以看到准确度在我们说话时增加，这表明该解决方案应该适合您好 。

谢谢你