在 Keras 中实现注意力机制

Question

我试图通过一个简单的 lstm 在 keras 中实现注意力：

model_2_input = Input(shape=(500,))
#model_2 = Conv1D(100, 10, activation='relu')(model_2_input)
model_2 = Dense(64, activation='sigmoid')(model_2_input)
model_2 = Dense(64, activation='sigmoid')(model_2)

model_1_input = Input(shape=(None, 2048))
model_1 = LSTM(64, dropout_U = 0.2, dropout_W = 0.2, return_sequences=True)(model_1_input)
model_1, state_h, state_c = LSTM(16, dropout_U = 0.2, dropout_W = 0.2, return_sequences=True, return_state=True)(model_1) # dropout_U = 0.2, dropout_W = 0.2,


#print(state_c.shape)
match = dot([model_1, state_h], axes=(0, 0))
match = Activation('softmax')(match)
match = dot([match, state_h], axes=(0, 0))
print(match.shape)

merged = concatenate([model_2, match], axis=1)
print(merged.shape)
merged = Dense(4, activation='softmax')(merged)
print(merged.shape)
model = Model(inputs=[model_2_input , model_1_input], outputs=merged)
adam = Adam()
model.compile(loss='categorical_crossentropy', optimizer=adam, metrics=['accuracy'])

我收到了以下错误：

merged = concatenate([model_2, match], axis=1)

'得到输入形状：%s' % (input_shape)) ValueError： Concatenate层要求输入具有匹配的形状（ Concatenate轴除外）。 得到输入形状：[(None, 64), (16, 1)]

实现非常简单，只需取 lstm 输出和隐藏状态的点积，并将其用作权重函数来计算隐藏状态本身。

如何解决错误？ 特别是如何让注意力概念发挥作用？

Answer 1

您可以在连接之前添加一个 Reshape 图层以确保兼容性。 请参阅此处的keras 文档。 可能最好重塑 model_2 输出(None, 64)

编辑：

本质上，您需要在连接之前添加具有目标形状的 Reshape 图层：

model_2 = Reshape(new_shape)(model_2)

这将返回(batch_size, (new_shape))您当然可以重塑网络的任一分支，只需使用 model_2 输出，因为它是一个更简单的示例

话虽如此，也许值得重新考虑您的网络结构。 特别是，这个问题源于第二个点层（它只给你 16 个标量）。 因此，很难重塑以使两个分支匹配。

在不知道模型试图预测什么或训练数据是什么样的情况下，很难评论两个点是否必要，但潜在的重组将解决这个问题。