TensorFlow：为下一批记住 LSTM 状态（有状态 LSTM）答案

【问题标题】：TensorFlow: Remember LSTM state for next batch (stateful LSTM)TensorFlow：为下一批记住 LSTM 状态（有状态 LSTM）
【发布时间】：2016-11-09 12:46:39
【问题描述】：

给定一个训练有素的 LSTM 模型，我想对单个时间步执行推理，即以下示例中的 seq_length = 1。在每个时间步之后，需要为下一个“批次”记住内部 LSTM（内存和隐藏）状态。在推理的最开始，给定输入计算内部 LSTM 状态init_c, init_h。然后将它们存储在传递给 LSTM 的 LSTMStateTuple 对象中。在训练期间，每个时间步都会更新此状态。但是，对于推理，我希望将state 保存在批次之间，即只需要在开始时计算初始状态，然后在每个“批次”（n = 1）之后保存 LSTM 状态。

我发现了这个相关的 StackOverflow 问题：Tensorflow, best way to save state in RNNs?。然而，这只适用于state_is_tuple=False，但这种行为很快就会被 TensorFlow 弃用（参见rnn_cell.py）。 Keras 似乎有一个很好的包装器来使 stateful LSTMs 成为可能，但我不知道在 TensorFlow 中实现这一点的最佳方法。 TensorFlow GitHub上的这个issue也和我的问题有关：https://github.com/tensorflow/tensorflow/issues/2838

对于构建有状态 LSTM 模型有什么好的建议吗？

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)

【问题讨论】：

Tensorflow, best way to save state in RNNs?的可能重复

标签： python tensorflow lstm recurrent-neural-network stateful

【解决方案1】：

我发现将所有图层的整个状态保存在占位符中是最简单的方法。

init_state = np.zeros((num_layers, 2, batch_size, state_size))

...

state_placeholder = tf.placeholder(tf.float32, [num_layers, 2, batch_size, state_size])

然后解压并创建一个 LSTMStateTuples 元组，然后再使用原生 tensorflow RNN Api。

l = tf.unpack(state_placeholder, axis=0)
rnn_tuple_state = tuple(
[tf.nn.rnn_cell.LSTMStateTuple(l[idx][0], l[idx][1])
 for idx in range(num_layers)]
)

RNN 传入 API：

cell = tf.nn.rnn_cell.LSTMCell(state_size, state_is_tuple=True)
cell = tf.nn.rnn_cell.MultiRNNCell([cell]*num_layers, state_is_tuple=True)
outputs, state = tf.nn.dynamic_rnn(cell, x_input_batch, initial_state=rnn_tuple_state)

state - 变量随后将作为占位符输入下一批。

【讨论】：

【解决方案2】：

Tensorflow，在 RNN 中保存状态的最佳方式？实际上是我最初的问题。下面的代码是我如何使用状态元组。

with tf.variable_scope('decoder') as scope:
    rnn_cell = tf.nn.rnn_cell.MultiRNNCell \
    ([
        tf.nn.rnn_cell.LSTMCell(512, num_proj = 256, state_is_tuple = True),
        tf.nn.rnn_cell.LSTMCell(512, num_proj = WORD_VEC_SIZE, state_is_tuple = True)
    ], state_is_tuple = True)

    state = [[tf.zeros((BATCH_SIZE, sz)) for sz in sz_outer] for sz_outer in rnn_cell.state_size]

    for t in range(TIME_STEPS):
        if t:
            last = y_[t - 1] if TRAINING else y[t - 1]
        else:
            last = tf.zeros((BATCH_SIZE, WORD_VEC_SIZE))

        y[t] = tf.concat(1, (y[t], last))
        y[t], state = rnn_cell(y[t], state)

        scope.reuse_variables()

我没有使用tf.nn.rnn_cell.LSTMStateTuple，而是创建了一个可以正常工作的列表。在这个例子中，我没有保存状态。但是，您可以轻松地从变量中创建状态并使用 assign 来保存值。

【讨论】：