CNTK 抱怨 LSTM 中的动态轴

Question

我正在尝试在 CNTK（使用 Python）中实现 LSTM 来对序列进行分类。

输入：

• 特征是固定长度的数字序列（时间序列）

• 标签是 one-hot 值的向量

网络：

input = input_variable(input_dim)
label = input_variable(num_output_classes)
h = Recurrence(LSTM(lstm_dim)) (input)
final_output = C.sequence.last(h)
z = Dense(num_output_classes) (final_output)
loss = C.cross_entropy_with_softmax(z, label)

输出： 序列匹配标签的概率

所有尺寸都是固定的，所以我认为我不需要任何动态轴并且没有指定任何。

但是，CNTK 不高兴，我明白了：

return cross_entropy_with_softmax(output_vector, target_vector, axis, name)
RuntimeError: Currently if an operand of a elementwise operation has any dynamic axes, those must match the dynamic axes of the other operands

如果（根据一些示例）我用动态轴定义标签

label = input_variable(num_output_classes, dynamic_axes=[C.Axis.default_batch_axis()])

它不再抱怨这个，而是进一步：

tf = np.split(training_features,num_minibatches)
tl = np.split(training_labels, num_minibatches)

for i in range(num_minibatches*num_passes): # multiply by the 
    features = np.ascontiguousarray(tf[i%num_minibatches])
    labels = np.ascontiguousarray(tl[i%num_minibatches])

    # Specify the mapping of input variables in the model to actual minibatch data to be trained with
    trainer.train_minibatch({input : features, label : labels})

但死于此错误：

  File "C:\Users\Dev\Anaconda3\envs\cntk-py34\lib\site-packages\cntk\cntk_py.py", line 1745, in train_minibatch
    return _cntk_py.Trainer_train_minibatch(self, *args)
RuntimeError: Node '__v2libuid__Plus561__v2libname__Plus552' (Plus operation): DataFor: FrameRange's dynamic axis is inconsistent with matrix: {numTimeSteps:1, numParallelSequences:100, sequences:[{seqId:0, s:0, begin:0, end:1}, {seqId:1, s:1, begin:0, end:1}, {seqId:2, s:2, begin:0, end:1}, {seqId:3, s:3, begin:0, end:1}, {seq...

我需要做什么来解决这个问题？

Answer 1

如果我正确理解这一点，您就有了一维输入的序列。如果是这样，那么你的问题就出在这一行

input =  input_variable(input_dim)

声明了一系列 input_dim 维度向量。如果你把它改成

input = input_variable(1)

那么我相信你的初步尝试应该会奏效。

更新：上述内容本身是不够的，因为获取序列的最后一个元素的操作会创建一个输出，其动态轴与创建标签的默认动态轴不同。一个简单的解决方法是在定义输出 z 这样之后定义标签

label = input_variable(num_output_classes, dynamic_axes=z.dynamic_axes)

这对我来说没有任何抱怨。然后我输入了一些像这样的虚拟数据（假设 minibatch 为 4，序列长度为 5 和 3 类）

x = np.arange(20.0, dtype=np.float32).reshape(4,5,1)
y = np.array([1,0,0,0,1,0,0,0,1,0,0,1], dtype=np.float32).reshape(4,1,3)
loss.eval({input: x, label:y })

它按预期工作。