[英]Creating siamese network with tensorflow estimator and hub
我試圖通過使用編碼器創建一個暹羅網絡來微調通用句子編碼器。 我想在訓練過程中訓練tensorflow_hub通用編碼器模塊的權重,但是我不確定如何使用估計器來做到這一點。
我的問題是,如果在下面的設置中使用兩個hub.text_embedding_column,它將訓練兩個單獨的網絡,而不是像暹羅網絡一樣訓練它們。 如果不共享權重,我將如何更改權重,以便共享和訓練權重。 如果有幫助,我可以從本地計算機加載模塊。
def train_and_evaluate_with_module(hub_module, train_module=False):
embedded_text_feature_column1 = hub.text_embedding_column(
key="sentence1", module_spec=hub_module, trainable=train_module)
embedded_text_feature_column2 = hub.text_embedding_column(
key="sentence2", module_spec=hub_module, trainable=train_module)
estimator = tf.estimator.DNNClassifier(
hidden_units=[500, 100],
feature_columns=[embedded_text_feature_column1,embedded_text_feature_column2],
n_classes=2,
optimizer=tf.train.AdagradOptimizer(learning_rate=0.003))
estimator.train(input_fn=train_input_fn, steps=1000)
train_eval_result = estimator.evaluate(input_fn=predict_train_input_fn)
test_eval_result = estimator.evaluate(input_fn=predict_test_input_fn)
training_set_accuracy = train_eval_result["accuracy"]
test_set_accuracy = test_eval_result["accuracy"]
return {
"Training accuracy": training_set_accuracy,
"Test accuracy": test_set_accuracy
}
results = train_and_evaluate_with_module("https://tfhub.dev/google/universal-sentence-encoder-large/3", True)
我對如何使用tf.estimator
不太熟悉,但是當涉及到暹羅式體系結構時,這就足夠了:
sentences1 = ["the cat sat on the mat", "the cat didn't sat on the mat"]
sentences2 = ["the dog sat on the mat", "the dog didn't sat on the mat"]
encoder = hub.Module("https://tfhub.dev/google/universal-sentence-encoder-large/3", trainable=True)
sentences1_embedding = encoder(sentences1)
sentences2_embedding = encoder(sentences2)
# Now, you can proceed with doing whatever you want with the embeddings
然后,當您計算損耗並反向傳播梯度時,將在模型的兩個分支中更新universal-sentence-encoder
。
換句話說,創建模塊的一個實例,並使用它從兩個或多個句子→暹羅神經網絡中獲取嵌入。
對於您而言,我認為以下內容就足夠了:
embedded_text_feature_column = hub.text_embedding_column(
key="sentence", module_spec=hub_module, trainable=train_module)
estimator = tf.estimator.DNNClassifier(
hidden_units=[500, 100],
feature_columns=[embedded_text_feature_column, embedded_text_feature_column],
n_classes=2,
optimizer=tf.train.AdagradOptimizer(learning_rate=0.003))
因此,您text_embedding_column
使用一個module
實例化一個text_embedding_column
,然后使用相同的text_embedding_column
將兩個功能列都嵌入到tf.estimator.DNNClassifier
。
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.