LSTM如何处理变长序列

Question

我在deep Deep Learning with Python的第7章第1节找到一段代码如下：

from keras.models import Model
from keras import layers
from keras import Input

text_vocabulary_size = 10000
question_vocabulary_size = 10000
answer_vocabulary_size = 500

# Our text input is a variable-length sequence of integers.
# Note that we can optionally name our inputs!
text_input = Input(shape=(None,), dtype='int32', name='text')

# Which we embed into a sequence of vectors of size 64
embedded_text = layers.Embedding(64, text_vocabulary_size)(text_input)

# Which we encoded in a single vector via a LSTM
encoded_text = layers.LSTM(32)(embedded_text)

# Same process (with different layer instances) for the question
question_input = Input(shape=(None,), dtype='int32', name='question')
embedded_question = layers.Embedding(32, question_vocabulary_size)(question_input)
encoded_question = layers.LSTM(16)(embedded_question)

# We then concatenate the encoded question and encoded text
concatenated = layers.concatenate([encoded_text, encoded_question], axis=-1)

# And we add a softmax classifier on top
answer = layers.Dense(answer_vocabulary_size, activation='softmax')(concatenated)

# At model instantiation, we specify the two inputs and the output:
model = Model([text_input, question_input], answer)
model.compile(optimizer='rmsprop',
              loss='categorical_crossentropy',
              metrics=['acc'])

你看到这个模型的输入没有原始数据的形状信息，那么在Embedding层之后，LSTM的输入或者Embedding的输出都是一些可变长度的序列。

所以我想知道：

• 在这个模型中，keras如何确定LSTM层中lstm_unit的个数
• 如何处理变长序列

附加信息：为了解释lstm_unit是什么（我不知道如何调用它，所以只是显示它的图像）：

Answer 1

提供的循环层继承自基本实现keras.layers.Recurrent，其中包括选项return_sequences，默认为False。这意味着默认情况下，循环层将消耗可变长度的输入，并最终在最后的顺序步骤中仅产生该层的输出。

结果，使用None指定可变长度的输入序列维度是没有问题的。

但是，如果您希望该层返回完整的输出序列，即输入序列的每一步的输出张量，那么您必须进一步处理该输出的可变大小。

您可以通过让下一层进一步接受可变大小的输入来做到这一点，然后在网络中解决问题，直到最终您必须从某个可变长度的事物中计算损失函数，或者计算一些固定长度的表示，然后再继续到后面的层，具体取决于您的模型。

或者您可以通过要求固定长度的序列来做到这一点，可能使用特殊的标记值填充序列的末尾，这些值仅指示一个空序列项，纯粹用于填充长度。

另外，Embedding 层是一个非常特殊的层，它也用于处理可变长度的输入。对于输入序列的每个标记，输出形状将具有不同的嵌入向量，因此形状为（批量大小、序列长度、嵌入维度）。由于下一层是 LSTM，所以这没问题……它也会很高兴地消耗可变长度的序列。

但正如Embedding 上的文档中提到的那样：

input_length: Length of input sequences, when it is constant.
      This argument is required if you are going to connect
      `Flatten` then `Dense` layers upstream
      (without it, the shape of the dense outputs cannot be computed).

如果您想直接从Embedding 转到非可变长度表示，则必须提供固定序列长度作为层的一部分。

最后，请注意，当您表达 LSTM 层的维度时，例如LSTM(32)，您是在描述该层的输出空间的维度。

# example sequence of input, e.g. batch size is 1.
[
 [34], 
 [27], 
 ...
] 
--> # feed into embedding layer

[
  [64-d representation of token 34 ...],
  [64-d representation of token 27 ...],
  ...
] 
--> # feed into LSTM layer

[32-d output vector of the final sequence step of LSTM]

为了避免批量大小为 1 的低效率，一种策略是按每个示例的序列长度对输入的训练数据进行排序，然后根据常见的序列长度分组为批次，例如使用自定义 Keras数据生成器。

这具有允许大批量大小的优势，特别是如果您的模型可能需要批量归一化或涉及 GPU 密集型训练，甚至只是为了批量更新梯度估计的噪声较小。但它仍然允许您处理输入训练数据集，该数据集对于不同的示例具有不同的批处理长度。

但更重要的是，它还有一个很大的优势，即您不必管理任何填充以确保输入中的通用序列长度。

Answer 2

如何处理单位？

单位完全独立于长度，因此没有什么特别之处。

长度只会增加“循环步骤”，但循环步骤总是一遍又一遍地使用相同的单元格。

单元格的数量是固定的，由用户定义：

• 第一个 LSTM 有 32 个单元/单元
• 第二个 LSTM 有 16 个单元/单元

如何处理变长？

• 方法 1：创建 1 个序列的单独批次，每个批次都有自己的长度。将每批分别喂给模型。手动循环中的方法train_on_batch 和predict_on_batch 是最简单的形式。
  • 理想情况下，每个长度分开批次，每个批次收集具有相同长度的所有序列
• 方法2：创建一个固定长度的batch，用0填充每个序列未使用的尾长，在嵌入层中使用参数mask_zero=True。
  • 注意不要在嵌入的输入中使用 0 作为实际单词或有意义的数据。