我一直无法弄清楚RNN编码器 - 解码器架构的尺寸。我理解LSTM是如何工作的,但我很难在Keras中实现这个。查看文档并阅读Q&A后,看起来网络输出的维度必须与整个目标集的维度相匹配(而不是特定目标 - 这没有任何意义)。我确信我已经读错了,而是需要适应给定xi的目标维度(暂时不考虑批量问题)。经过几个小时的摆弄,我更加困惑。我认为我将输入嵌入到RNN而不是嵌入输出这一事实可能与它有关,我可能需要在整个过程中的某个地方展平网络。
这是设置:
这是代码:
model = Sequential()
model.add(Embedding(vocabulary_size, embed_size, input_length = maxlen, weights=[embedding_matrix]))
model.add(Bidirectional(LSTM(embed_size, return_sequences=True)))
model.add(LSTM(embed_size, return_sequences=True))
if dropout < 1.0:
model.add(Dropout(dropout))
model.add(TimeDistributed(Dense(embed_size, activation='softmax')))
# model.add(Activation('softmax'))
model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])
print(model.summary())
model.fit(X_itrain, y_train, batch_size=32, epochs=1)
这是网络摘要:
Layer (type) Output Shape Param #
embedding_29 (Embedding) (None, 95, 100) 404600
bidirectional_12 (Bidirectio (None, 95, 200) 160800
lstm_45 (LSTM) (None, 95, 100) 120400
time_distributed_18 (TimeDis (None, 95, 100) 10100
Total params: 695,900 Trainable params: 695,900 Non-trainable params:
这是错误:
ValueError: Error when checking target: expected time_distributed_18 to have 3 dimensions, but got array with shape (1440, 95)
其他详情:
您遇到的一个问题是您目前没有构建编码器 - 解码器模型。目前,您尝试训练模型,获得问题而不是立即回答它。对于编码器解码器模型,您需要构建两个模型。第一个模型必须将输入映射到编码状态。然后第二个模型应该学会采用这种编码状态,得到已经回答的部分并给你回到下一个单词。
你可以找到example Keras code here。