在 Keras 序列中的特定索引处连接两个不同维度的输入

Question

我正在尝试使用两种嵌入层来训练 LSTM。假设以下是我的标记化句子：

tokenized_sentence = ['I', 'am', 'trying', 'to', 'TARGET_TOKEN', 'my', 'way', 'home']

现在，对于围绕“TARGET_TOKEN”的单词，我有一个嵌入层，即 (vocab_size x 128)，而对于索引 4 处的令牌“TARGET_TOKEN”，我有一个嵌入层，即 (vocab_size x 512)。因此，我需要将 TARGET_TOKEN 嵌入从 512 转换为 128，然后将这个 128 维向量插入到周围单词嵌入层输出的索引 4 处（该索引将根据特征而变化），然后将这个连接列表（张量）馈送到LSTM。在我的情况下，单词/标记的位置非常重要，因此我不希望丢失标记“TARGET_TOKEN”在句子中的位置。

最初我在研究如何减少 512 个嵌入的大小，我发现使用 numpy 我可以取每 4 个相邻向量的平均值，因此我最终从 512 维到 128 维。但是，据我了解，这可能不再以正确的方式表示向量。

我们将令牌“TARGET_TOKEN”称为“target_token”，其余单词称为“context_tokens”。因此，在进一步阅读之后，我认为可以获取 target_token 嵌入层的输出并将其通过具有 128 个单元的 Dense 层（从而将其大小减小到 128）。在此之后，我将连接 Dense 层的输出与 context_tokens 嵌入层的输出。到目前为止，我知道如何做到这一点。我的问题是定位很重要，并且我的 LSTM 学习 target_token 嵌入相对于其周围上下文很重要。长话短说，我需要在索引 4 处连接（也许我看错了，但这就是我的理解）。

但是 Keras 中的 concatenate layer 没有这个参数，我只能将两个 layer 连接起来，不考虑定位。

我的模型将采用三个输入：

input1 = target_token
input2 = context_tokens
input3 = target_token_index

和一个输出（作为一个序列）。

我的代码如下所示：

target_token_input = Input((1,))
sentence_input = Input((None,))
index_input = Input((1,), dtype="int32")

target_token_embedding_layer = Embedding(500, 512, weights=[], trainable=False)(target_token_input)

target_token_dense_layer = Dense(128, activation="relu")(target_token_embedding_layer)

context_embedding_layer = Embedding(self.vocab_size, 128, weights=[self.weight_matrix],
                                                trainable=False)(sentence_input)

concatenation_layer = Concatenate()([target_token_dense_layer, context_embedding_layer])

bidirectional = Bidirectional(LSTM(64, return_sequences=self.return_sequences, dropout=0.2, recurrent_dropout=0.2))(concatenation_layer)

normalization_layer = BatchNormalization()(bidirectional)

output_layer = TimeDistributed(Dense(self.output_size, activation=self.activation))(normalization_layer)

model = Model([target_token_input, sentence_input, index_input],[output_layer]) 

我的预期结果应该如下，这里的数字代表令牌向量的维度。

original_tokens = ['I', 'am', 'trying', 'to', 'eng-12345', 'my', 'way', 'home']
vector_original_tokens = [128, 128, 128, 128, 512, 128, 128, 128]
post_concatenation_tokens = [128, 128, 128, 128, 128, 128, 128, 128]

注意在索引 4 处嵌入如何从 512 变为 128。我正在研究将张量转换为列表的可能性，将 target_token_embedding_layer 的输出插入到该列表中所需索引处，然后将列表转换回一个张量并将该张量用作 LSTM 的输入。但是，我仍在努力解决这个问题。

有人知道怎么做吗？任何帮助将不胜感激！

Answer 1

嗯，简短的回答是你不能。您可以以编程方式执行此操作，让事情看起来像您希望的样子，但 Keras LSTM 无法理解它。 Keras LSTM 需要了解令牌之间的联系。当您从一个“宇宙”获取嵌入列表并尝试将其与来自另一个“宇宙”的嵌入混搭时，事情就行不通了。

您必须将所有单词标记/嵌入到相同的维度中才能正常工作。我假设与字典的其余部分相比，TARGET_TOKEN 具有不同的嵌入（512）？您可以创建一个新的嵌入，即 (128+512)。但是，由于您提到将原始的 512 个嵌入减少到 128 个，我的建议是您应该回到 512 个嵌入。

注意我提到 Keras LSTM 的方式：我所掌握的是对具有标准 4 个门的常见、众所周知的 LSTM 层的响应。如果您正在从头开始编写自己的 LSTM 层变体（例如在 Tensorflow 或 numpy 中），那么所有的赌注都没有了。

我猜您正在尝试构建某种网络来填补空白？您从 512 嵌入切换到 128 的原因是什么？节省内存？