我正在尝试在序列中扩展匹配匹配算法。我的比赛长20个单位,每个时间点有4个频道。我已经构建了一个封装匹配的模型,我无法弄清楚如何在滑动窗口中使用它来跨更长的序列应用它来查找序列中的匹配。
我有2个(20, 4)
输入张量(query
和target
),我连接,添加,展平,然后应用一个简单的密集层。我在这个阶段有数据来训练100K查询,目标对。
def sum_seqs(seqs):
return K.sum(seqs, axis=3)
def pad_dims(seq):
return K.expand_dims(seq, axis=3)
def pad_outshape(in_shape):
return (in_shape[0], in_shape[1], in_shape[2], 1)
query = Input((20, 4))
query_pad = Lambda(pad_dims, output_shape=pad_outshape, name='gpad')(query)
target = Input((20,4))
target_pad = Lambda(pad_dims, output_shape=pad_outshape)(target)
matching = Concatenate(axis = 3)([query_pad, target_pad])
matching = Lambda(sum_seqs)(matching)
matching = Flatten()(matching)
matching = Dropout(0.1)(matching)
matching = Dense(1, activation = 'sigmoid')(matching)
match_model = Model([query, target], matching)
这非常有效。现在我想使用这个预先训练的模型来搜索具有不同target
序列的更长的query
序列。
它似乎应该是这样的:
long_target = Input((100, 4))
short_target = Input((20, 4))
choose_query = Input((20, 4))
spec_match = match_model([choose_query, short_target])
mdl = TimeDistributed(spec_match)(long_target)
但TimeDistributed
采取Layer
而不是Tensor
。有没有我错过的包装纸?我是以错误的方式来做这件事的吗?我是否需要以某种方式将其重新表述为卷积问题?
持续的实验:经过一天的敲击键盘后,显然TimeDistributed
和backend.rnn
只允许您将模型/图层应用于数据的单个时间片。似乎没有办法做到这一点。看起来唯一可以在时间维度的多个切片上“行走”的是Conv1D
。
所以,我把我的问题重新定义为卷积,但这也行不通。我能够建立一个Conv1D
过滤器,它将匹配特定的query
。这工作得相当好,它确实允许我扫描更长的序列并获得匹配。但是每个滤波器对于每个query
张量都是唯一的,并且似乎没有办法从新颖的query
到适当的滤波器权重,而无需训练一个全新的Conv1D
层。由于我的目标是找到符合最多目标的新query
s,这无济于事。
由于我的“匹配”需要目标与每个窗口的查询的交互,似乎没有办法通过query
在100个长度的target
张量的每个窗口上获得20个长度的Conv1D
张量的相互作用。
有没有办法在Keras / tensorflow中进行滑动窗口类型评估?它看起来像是如此简单但却如此遥远。我有没有办法做到这一点,我找不到?
回应和进一步的实验。
来自@today和@nuric的解决方案可以工作,但他们最终以平铺类型的方式复制输入的target
数据。因此,对于长度为m
的查询,图表中的输入数据的m
副本将会有一些。我希望找到一个解决方案,实际上可以“滑动”整个target
的评估,而不会重复。
这是我提出的Conv1D
几乎解决方案的一个版本。
query_weights = []
for query, (targets, scores) in query_target_gen():
single_query_model = Sequential()
single_query_model.add(Conv1D(1, 20, input_shape = (20, 4)))
single_query_model.add(Flatten())
single_query_model.fit(targets, scores)
query_weights.append(single_query_model.layers[0].get_weights())
multi_query_model_long_targets = Sequential()
multi_query_model_long_targets.add(Conv1D(len(query_weights), 20, input_shape = (100, 4)))
multi_query_model_long_targets.layers[0].set_weights(combine_weights(query_weights))
multi_query_model_long_targets.summary()
combine_weights
函数只是做了一些解包和矩阵重排,以Conv1D
想要的方式堆叠过滤器。
此解决方案修复了数据重复问题,但它以其他方式使我感到困惑。一个是基于数据...我的数据包含许多query
,target
对,但它往往是相同的target
许多query
s,因为它更容易生成该方向的真实世界数据。所以,这样做会使训练变得困难。其次,这假设每个query
以独立的方式工作,而实际上,我知道query
,target
配对实际上是重要的。因此,使用可以查看对的许多示例的模型是有意义的,而不是个体。
有没有办法结合两种方法?有没有办法让它如此Conv1D
采取长target
张量结合它与恒定query
沿着序列走?
仅提供使用Keras后端功能的替代解决方案。
您还可以使用K.arange
和K.map_fn
生成滑动窗口:
def sliding_windows(inputs):
target, query = inputs
target_length = K.shape(target)[1] # variable-length sequence, shape is a TF tensor
query_length = K.int_shape(query)[1]
num_windows = target_length - query_length + 1 # number of windows is also variable
# slice the target into consecutive windows
start_indices = K.arange(num_windows)
windows = K.map_fn(lambda t: target[:, t:(t + query_length), :],
start_indices,
dtype=K.floatx())
# `windows` is a tensor of shape (num_windows, batch_size, query_length, ...)
# so we need to change the batch axis back to axis 0
windows = K.permute_dimensions(windows, (1, 0, 2, 3))
# repeat query for `num_windows` times so that it could be merged with `windows` later
query = K.expand_dims(query, 1)
query = K.tile(query, [1, num_windows, 1, 1])
# just a hack to force the dimensions 2 to be known (required by Flatten layer)
windows = K.reshape(windows, shape=K.shape(query))
return [windows, query]
要使用它:
long_target = Input((None, 4))
choose_query = Input((20, 4))
windows, query = Lambda(sliding_windows)([long_target, choose_query])
鉴于你的预训练match_model
,TimeDistributed
的问题是它无法用多个输入包裹Keras Model
。
但是,由于逻辑匹配target
和query
是在Concatenate
之后的层中实现的,你可以将这些层收集到Model
中,并将TimeDistributed
应用于它:
submodel_input = Input((20, 4, 2))
x = submodel_input
for layer in match_model.layers[-4:]: # the `Lambda(sum_seqs)` layer
x = layer(x)
submodel = Model(submodel_input, x)
现在你只需要以与sliding_windows
相同的方式处理和合并match_model
的输出:
long_target = Input((None, 4))
choose_query = Input((20, 4))
windows, query = Lambda(sliding_windows)([long_target, choose_query])
windows_pad = Lambda(lambda x: K.expand_dims(x))(windows)
query_pad = Lambda(lambda x: K.expand_dims(x))(query)
merged = Concatenate()([windows_pad, query_pad])
match_scores = TimeDistributed(submodel)(merged)
max_score = GlobalMaxPooling1D()(match_scores)
model = Model([long_target, choose_query], max_score)
然后,model
可以以端到端的方式用于匹配长目标。
您还可以通过将model
应用于滑动窗口来验证match_model
的输出确实是匹配分数的最大值:
target_arr = np.random.rand(32, 100, 4)
query_arr = np.random.rand(32, 20, 4)
match_model_scores = np.array([
match_model.predict([target_arr[:, t:t + 20, :], query_arr])
for t in range(81)
])
scores = model.predict([target_arr, query_arr])
print(np.allclose(scores, match_model_scores.max(axis=0)))
True
注意:看看@Yu-Yang的解决方案。它好多了。
好吧,正如我在评论中提到的,你可以使用tf.exctract_image_patches()
(如果文档似乎有点模糊读取this answer上的SO)来提取补丁(编辑:我刚刚添加了两个变量win_len
和feat_len
并将100
更改为None
和81
更改为-1
使它适用于任意长度的目标序列):
import tensorflow as tf
from keras import layers, models
import keras.backend as K
win_len = 20 # window length
feat_len = 4 # features length
def extract_patches(data):
data = K.expand_dims(data, axis=3)
patches = tf.extract_image_patches(data, ksizes=[1, win_len, feat_len, 1], strides=[1, 1, 1, 1], rates=[1, 1, 1, 1], padding='VALID')
return patches
target = layers.Input((None, feat_len))
patches = layers.Lambda(extract_patches)(target)
patches = layers.Reshape((-1, win_len, feat_len))(patches)
model = models.Model([target], [patches])
model.summary()
Layer (type) Output Shape Param #
=================================================================
input_2 (InputLayer) (None, None, 4) 0
_________________________________________________________________
lambda_2 (Lambda) (None, None, None, 80) 0
_________________________________________________________________
reshape_2 (Reshape) (None, None, 20, 4) 0
=================================================================
Total params: 0
Trainable params: 0
Non-trainable params: 0
_________________________________________________________________
例如,如果输入目标的形状为(100, 4)
,则输出形状为(81, 20, 4)
。
这是一个测试:
import numpy as np
# an array consisting of numbers 0 to 399 with shape (100, 4)
target = np.arange(1*100*4*1).reshape(1, 100, 4)
print(model.predict(a))
这是输出:
[[[[ 0. 1. 2. 3.]
[ 4. 5. 6. 7.]
[ 8. 9. 10. 11.]
...
[ 68. 69. 70. 71.]
[ 72. 73. 74. 75.]
[ 76. 77. 78. 79.]]
[[ 4. 5. 6. 7.]
[ 8. 9. 10. 11.]
[ 12. 13. 14. 15.]
...
[ 72. 73. 74. 75.]
[ 76. 77. 78. 79.]
[ 80. 81. 82. 83.]]
[[ 8. 9. 10. 11.]
[ 12. 13. 14. 15.]
[ 16. 17. 18. 19.]
...
[ 76. 77. 78. 79.]
[ 80. 81. 82. 83.]
[ 84. 85. 86. 87.]]
...
[[312. 313. 314. 315.]
[316. 317. 318. 319.]
[320. 321. 322. 323.]
...
[380. 381. 382. 383.]
[384. 385. 386. 387.]
[388. 389. 390. 391.]]
[[316. 317. 318. 319.]
[320. 321. 322. 323.]
[324. 325. 326. 327.]
...
[384. 385. 386. 387.]
[388. 389. 390. 391.]
[392. 393. 394. 395.]]
[[320. 321. 322. 323.]
[324. 325. 326. 327.]
[328. 329. 330. 331.]
...
[388. 389. 390. 391.]
[392. 393. 394. 395.]
[396. 397. 398. 399.]]]]