[英]How to build a attention model with keras?
我正在嘗試理解注意力模型並自己構建一個。 經過多次搜索,我發現了這個網站,它有一個用 keras 編碼的注意力模型,而且看起來也很簡單。 但是當我試圖在我的機器上構建相同的模型時,它給出了多個參數錯誤。 該錯誤是由於在類Attention
傳遞的參數不匹配。 在網站的注意力類中,它要求一個參數,但它用兩個參數啟動注意力對象。
import tensorflow as tf
max_len = 200
rnn_cell_size = 128
vocab_size=250
class Attention(tf.keras.Model):
def __init__(self, units):
super(Attention, self).__init__()
self.W1 = tf.keras.layers.Dense(units)
self.W2 = tf.keras.layers.Dense(units)
self.V = tf.keras.layers.Dense(1)
def call(self, features, hidden):
hidden_with_time_axis = tf.expand_dims(hidden, 1)
score = tf.nn.tanh(self.W1(features) + self.W2(hidden_with_time_axis))
attention_weights = tf.nn.softmax(self.V(score), axis=1)
context_vector = attention_weights * features
context_vector = tf.reduce_sum(context_vector, axis=1)
return context_vector, attention_weights
sequence_input = tf.keras.layers.Input(shape=(max_len,), dtype='int32')
embedded_sequences = tf.keras.layers.Embedding(vocab_size, 128, input_length=max_len)(sequence_input)
lstm = tf.keras.layers.Bidirectional(tf.keras.layers.LSTM
(rnn_cell_size,
dropout=0.3,
return_sequences=True,
return_state=True,
recurrent_activation='relu',
recurrent_initializer='glorot_uniform'), name="bi_lstm_0")(embedded_sequences)
lstm, forward_h, forward_c, backward_h, backward_c = tf.keras.layers.Bidirectional \
(tf.keras.layers.LSTM
(rnn_cell_size,
dropout=0.2,
return_sequences=True,
return_state=True,
recurrent_activation='relu',
recurrent_initializer='glorot_uniform'))(lstm)
state_h = tf.keras.layers.Concatenate()([forward_h, backward_h])
state_c = tf.keras.layers.Concatenate()([forward_c, backward_c])
# PROBLEM IN THIS LINE
context_vector, attention_weights = Attention(lstm, state_h)
output = keras.layers.Dense(1, activation='sigmoid')(context_vector)
model = keras.Model(inputs=sequence_input, outputs=output)
# summarize layers
print(model.summary())
我怎樣才能使這個模型工作?
初始化attention layer
和傳遞參數的方式有問題。 你應該在這個地方指定attention layer
單元的數量並修改傳入參數的方式:
context_vector, attention_weights = Attention(32)(lstm, state_h)
結果:
__________________________________________________________________________________________________
Layer (type) Output Shape Param # Connected to
==================================================================================================
input_1 (InputLayer) (None, 200) 0
__________________________________________________________________________________________________
embedding (Embedding) (None, 200, 128) 32000 input_1[0][0]
__________________________________________________________________________________________________
bi_lstm_0 (Bidirectional) [(None, 200, 256), ( 263168 embedding[0][0]
__________________________________________________________________________________________________
bidirectional (Bidirectional) [(None, 200, 256), ( 394240 bi_lstm_0[0][0]
bi_lstm_0[0][1]
bi_lstm_0[0][2]
bi_lstm_0[0][3]
bi_lstm_0[0][4]
__________________________________________________________________________________________________
concatenate (Concatenate) (None, 256) 0 bidirectional[0][1]
bidirectional[0][3]
__________________________________________________________________________________________________
attention (Attention) [(None, 256), (None, 16481 bidirectional[0][0]
concatenate[0][0]
__________________________________________________________________________________________________
dense_3 (Dense) (None, 1) 257 attention[0][0]
==================================================================================================
Total params: 706,146
Trainable params: 706,146
Non-trainable params: 0
__________________________________________________________________________________________________
None
注意層現在是 Tensorflow(2.1) 的 Keras API 的一部分。 但它輸出與您的“查詢”張量相同大小的張量。
這是如何使用 Luong-style attention:
query_attention = tf.keras.layers.Attention()([query, value])
和 Bahdanau 式的關注:
query_attention = tf.keras.layers.AdditiveAttention()([query, value])
改編版本:
attention_weights = tf.keras.layers.Attention()([lstm, state_h])
查看原始網站了解更多信息: https : //www.tensorflow.org/api_docs/python/tf/keras/layers/Attention https://www.tensorflow.org/api_docs/python/tf/keras/layers/添加注意力
為了回答 Arman 的特定查詢 - 這些庫使用了 2018 年后的查詢、值和鍵語義。 要將語義映射回 Bahdanau 或 Luong 的論文,您可以將“查詢”視為最后一個解碼器隱藏狀態。 “值”將是編碼器輸出的集合 - 編碼器的所有隱藏狀態。 “查詢”“參與”所有“值”。
無論您使用的是哪個版本的代碼或庫,請始終注意“查詢”將在時間軸上展開,以便為隨后的添加做好准備。 這個值(正在擴展)將始終是 RNN 的最后一個隱藏狀態。 另一個值將始終是需要注意的值 - 編碼器端的所有隱藏狀態。 無論您使用什么庫或代碼,都可以對代碼進行這種簡單的檢查,以確定“查詢”和“值”映射到什么。
可以參考https://towardsdatascience.com/create-your-own-custom-attention-layer-understand-all-flavours-2201b5e8be9e用不到 6 行代碼編寫自己的自定義注意力層
聲明:本站的技術帖子網頁,遵循CC BY-SA 4.0協議,如果您需要轉載,請注明本站網址或者原文地址。任何問題請咨詢:yoyou2525@163.com.