如何在Keras中使用曼哈顿距离

Question

我的问题是关于如何在Keras中使用曼哈顿距离。 我正在从事有关句子相似性指标的文本分类项目。 因此，我考虑使用曼哈顿距离进行相似度计算。 损失函数如下所示：

def exponent_neg_manhattan_distance(left, right):
    ''' Helper function for the similarity estimate of the LSTMs outputs'''
    return K.exp(-K.sum(K.abs(left - right), axis=1, keepdims=True))


def manhattan_distance(left, right):
    ''' Helper function for the similarity estimate of the LSTMs outputs'''
    return K.sum(K.abs(left - right), axis=1, keepdims=True)


# The visible layer
left_input = Input(shape=(max_seq_length,), dtype='int32')
right_input = Input(shape=(max_seq_length,), dtype='int32')

embedding_layer = Embedding(len(embeddings), embedding_dim, weights=[embeddings], input_length=max_seq_length, trainable=False)

# Embedded version of the inputs
encoded_left = embedding_layer(left_input)
encoded_right = embedding_layer(right_input)

# Since this is a siamese network, both sides share the same LSTM
shared_lstm = LSTM(n_hidden)

left_output = shared_lstm(encoded_left)
right_output = shared_lstm(encoded_right)

# Calculates the distance as defined by the MaLSTM model
malstm_distance = Lambda(function=lambda x: 
exponent_neg_manhattan_distance(x[0], x[1]),output_shape=lambda x: (x[0] 
[0], 1))([left_output, right_output])

# Pack it all up into a model
malstm = Model([left_input, right_input], [malstm_distance])
# Adadelta optimizer, with gradient clipping by norm
optimizer = Adadelta(clipnorm=gradient_clipping_norm)

malstm.compile(loss='mean_squared_error', optimizer=optimizer, metrics= 
['accuracy'])
malstm_trained = malstm.fit([X_train['left'], X_train['right']], Y_train, 
batch_size=batch_size, nb_epoch=n_epoch,
                        validation_data=([X_validation['left'], 
X_validation['right']], Y_validation),
                        callbacks=[checkpointer])

但是，此函数exponent_neg_manhattan_distance()实际效果不佳。 我在互联网上搜索后发现曼哈顿距离的原始版本是这样写的： manhattan_distance这样，在我的模型中，准确性就变得很高了。 到目前为止，我不应该使用哪个模型，以及如何解释exp破坏了模型的预测？

请帮助解决这个问题。

Answer 1

好吧，我可能得到了答案。 exp（）是归一化函数。 通常将距离归一化为[0,1]，归一化可以提高收敛性，但这不是必须的。 就我而言，归一化更改精度可能是一些复杂的原因。 我延长了训练时间，结果应该是一样的。 但是由于数据中浮点运算的丢失，规范化导致精度误差。