Учитывая обученную модель LSTM, я хочу выполнить вывод для отдельных временных шагов, т.е. seq_length = 1
в приведенном ниже примере. После каждого временного шага необходимо запоминать внутренние состояния LSTM (память и скрытые) для следующего "пакета". Для самого начала вывода внутренние состояния LSTM init_c, init_h
вычисляются с учетом входных данных. Затем они сохраняются в объекте LSTMStateTuple
, который передается в LSTM. Во время тренировки это состояние обновляется каждый раз. Однако для вывода я хочу, чтобы state
сохранялся между партиями, то есть начальные состояния нужно вычислять только в самом начале, и после этого состояния LSTM должны сохраняться после каждой "партии" (n = 1).
Я нашел этот связанный вопрос Qaru: Tensorflow, лучший способ сохранить состояние в RNNs?. Однако это работает только в случае state_is_tuple=False
, но TensorFlow вскоре должен осудить это поведение (см. rnn_cell.py). Кажется, у Кераса есть хорошая оболочка для создания состояний с LSTM, но я не знаю лучшего способа добиться этого в TensorFlow. Эта проблема на TensorFlow GitHub также связана с моим вопросом: https://github.com/tensorflow/tensorflow/issues/2838
Есть ли хорошие предложения для построения модели LSTM с сохранением состояния?
inputs = tf.placeholder(tf.float32, shape=[None, seq_length, 84, 84], name="inputs")
targets = tf.placeholder(tf.float32, shape=[None, seq_length], name="targets")
num_lstm_layers = 2
with tf.variable_scope("LSTM") as scope:
lstm_cell = tf.nn.rnn_cell.LSTMCell(512, initializer=initializer, state_is_tuple=True)
self.lstm = tf.nn.rnn_cell.MultiRNNCell([lstm_cell] * num_lstm_layers, state_is_tuple=True)
init_c = # compute initial LSTM memory state using contents in placeholder 'inputs'
init_h = # compute initial LSTM hidden state using contents in placeholder 'inputs'
self.state = [tf.nn.rnn_cell.LSTMStateTuple(init_c, init_h)] * num_lstm_layers
outputs = []
for step in range(seq_length):
if step != 0:
scope.reuse_variables()
# CNN features, as input for LSTM
x_t = # ...
# LSTM step through time
output, self.state = self.lstm(x_t, self.state)
outputs.append(output)