如何使用 tf.keras 在 RNN 中应用层规范化？答案

【问题标题】：How do you apply layer normalization in an RNN using tf.keras?如何使用 tf.keras 在 RNN 中应用层规范化？
【发布时间】：2019-08-20 13:51:00
【问题描述】：

我想将layer normalization 应用于使用 tf.keras 的循环神经网络。在 TensorFlow 2.0 中，tf.layers.experimental 中有一个 LayerNormalization 类，但不清楚如何在每个时间步（因为它被设计为用过的）。我应该创建一个自定义单元格，还是有更简单的方法？

例如，在每个时间步应用 dropout 就像在创建 LSTM 层时设置 recurrent_dropout 参数一样简单，但没有 recurrent_layer_normalization 参数。

【问题讨论】：

标签： python tf.keras tensorflow2.0

【解决方案1】：

您可以通过从SimpleRNNCell 类继承来创建自定义单元格，如下所示：

import numpy as np
from tensorflow.keras.models import Sequential
from tensorflow.keras.activations import get as get_activation
from tensorflow.keras.layers import SimpleRNNCell, RNN, Layer
from tensorflow.keras.layers.experimental import LayerNormalization

class SimpleRNNCellWithLayerNorm(SimpleRNNCell):
    def __init__(self, units, **kwargs):
        self.activation = get_activation(kwargs.get("activation", "tanh"))
        kwargs["activation"] = None
        super().__init__(units, **kwargs)
        self.layer_norm = LayerNormalization()
    def call(self, inputs, states):
        outputs, new_states = super().call(inputs, states)
        norm_out = self.activation(self.layer_norm(outputs))
        return norm_out, [norm_out]

此实现在没有任何activation 的情况下运行常规SimpleRNN 单元一步，然后将层范数应用于结果输出，然后应用activation。然后你可以这样使用它：

model = Sequential([
    RNN(SimpleRNNCellWithLayerNorm(20), return_sequences=True,
        input_shape=[None, 20]),
    RNN(SimpleRNNCellWithLayerNorm(5)),
])

model.compile(loss="mse", optimizer="sgd")
X_train = np.random.randn(100, 50, 20)
Y_train = np.random.randn(100, 5)
history = model.fit(X_train, Y_train, epochs=2)

对于 GRU 和 LSTM 单元，人们通常在门上应用层范数（在输入和状态的线性组合之后，在 sigmoid 激活之前），所以实现起来有点棘手。或者，您可以通过在应用activation 和recurrent_activation 之前应用层规范来获得良好的结果，这将更容易实现。

【讨论】：

【解决方案2】：

在 tensorflow 插件中，有一个开箱即用的预构建 LayerNormLSTMCell。

请参阅this doc 了解更多详情。您可能必须先安装tensorflow-addons，然后才能导入此单元格。

pip install tensorflow-addons

【讨论】：