我尝试解决原始 LSTM 论文中描述的实验 3a:http://deeplearning.cs.cmu.edu/pdfs/Hochreiter97_lstm.pdf使用 tensorflow LSTM 并失败
摘自论文:任务是观察输入序列,然后对其进行分类。有两个类别,每个类别发生的概率为 0.5。只有一根输入线。只有前 N 个实值序列元素传达有关该类的相关信息。位置 t > N 处的序列元素由均值为零、方差为 0.2 的高斯函数生成。
他在论文中描述的网络架构: “我们使用具有 1 个输入单元、1 个输出单元和 3 个大小为 1 的单元 block 的 3 层网络。输出层仅接收来自存储单元的连接。存储单元和门单元接收来自输入单元、存储单元和门的输入门单元和输出单元为 [0; 1] 中的逻辑 sigmoid,[-1; 1] 中为 h,[-2; 2] 中为 g"
我尝试使用具有 3 个隐藏单元(T=100 且 N=3)的 LSTM 重现它,但失败了。
我使用了在线训练(即在每个序列后更新权重),如原始论文中所述
我的代码核心如下:
self.batch_size = batch_size = config.batch_size
hidden_size = 3
self._input_data = tf.placeholder(tf.float32, (1, T))
self._targets = tf.placeholder(tf.float32, [1, 1])
lstm_cell = rnn_cell.BasicLSTMCell(hidden_size , forget_bias=1.0)
cell = rnn_cell.MultiRNNCell([lstm_cell] * 1)
self._initial_state = cell.zero_state(1, tf.float32)
weights_hidden = tf.constant(1.0, shape= [config.num_features, config.n_hidden])
准备输入
inputs = []
for k in range(num_steps):
nextitem = tf.matmul(tf.reshape(self._input_data[:, k], [1, 1]) , weights_hidden)
inputs.append(nextitem)
outputs, states = rnn.rnn(cell, inputs, initial_state=self._initial_state)
使用最后的输出
pred = tf.sigmoid(tf.matmul(outputs[-1], tf.get_variable("weights_out", [config.n_hidden,1])) + tf.get_variable("bias_out", [1]))
self._final_state = states[-1]
self._cost = cost = tf.reduce_mean(tf.square((pred - self.targets)))
self._result = tf.abs(pred[0, 0] - self.targets[0,0])
optimizer = tf.train.GradientDescentOptimizer(learning_rate = config.learning_rate).minimize(cost)
知道为什么它无法学习吗?
我的第一直觉是为每个类创建 2 个输出,但在论文中他特别提到了仅一个输出单元。
谢谢
最佳答案
看来我需要forget_bias > 1.0。对于长序列,网络无法使用默认的forget_bias T=50,例如我需要forget_bias = 2.1
关于python - 用于噪声序列的 Tensorflow LSTM,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/35264563/