带注意力的 LSTM

Question

我正在尝试将注意力机制添加到堆叠 LSTM 实现 https://github.com/salesforce/awd-lstm-lm

所有在线示例都使用编码器-解码器架构，我不想使用（注意力机制是否必须使用？）。

基本上我用过https://webcache.googleusercontent.com/search?q=cache:81Q7u36DRPIJ:https://github.com/zhedongzheng/finch/blob/master/nlp-models/pytorch/rnn_attn_text_clf.py+&cd=2&hl=en&ct=clnk&gl=uk

def __init__(self, rnn_type, ntoken, ninp, nhid, nlayers, dropout=0.5, dropouth=0.5, dropouti=0.5, dropoute=0.1, wdrop=0, tie_weights=False):
    super(RNNModel, self).__init__()
    self.encoder = nn.Embedding(ntoken, ninp)
    self.rnns = [torch.nn.LSTM(ninp if l == 0 else nhid, nhid if l != nlayers - 1 else (ninp if tie_weights else nhid), 1, dropout=0) for l in range(nlayers)]
    for rnn in self.rnns:
        rnn.linear = WeightDrop(rnn.linear, ['weight'], dropout=wdrop)
    self.rnns = torch.nn.ModuleList(self.rnns)
    self.attn_fc = torch.nn.Linear(ninp, 1)
    self.decoder = nn.Linear(nhid, ntoken)

    self.init_weights()

def attention(self, rnn_out, state):
    state = torch.transpose(state, 1,2)
    weights = torch.bmm(rnn_out, state)# torch.bmm(rnn_out, state)
    weights = torch.nn.functional.softmax(weights)#.squeeze(2)).unsqueeze(2)
    rnn_out_t = torch.transpose(rnn_out, 1, 2)
    bmmed = torch.bmm(rnn_out_t, weights)
    bmmed = bmmed.squeeze(2)
    return bmmed

def forward(self, input, hidden, return_h=False, decoder=False, encoder_outputs=None):
    emb = embedded_dropout(self.encoder, input, dropout=self.dropoute if self.training else 0)
    emb = self.lockdrop(emb, self.dropouti)

    new_hidden = []
    raw_outputs = []
    outputs = []
    for l, rnn in enumerate(self.rnns):
        temp = []
        for item in emb:
            item = item.unsqueeze(0)
            raw_output, new_h = rnn(item, hidden[l])

            raw_output = self.attention(raw_output, new_h[0])

            temp.append(raw_output)
        raw_output = torch.stack(temp)
        raw_output = raw_output.squeeze(1)

        new_hidden.append(new_h)
        raw_outputs.append(raw_output)
        if l != self.nlayers - 1:
            raw_output = self.lockdrop(raw_output, self.dropouth)
            outputs.append(raw_output)
    hidden = new_hidden

    output = self.lockdrop(raw_output, self.dropout)
    outputs.append(output)

    outputs = torch.stack(outputs).squeeze(0)
    outputs = torch.transpose(outputs, 2,1)
    output = output.transpose(2,1)
    output = output.contiguous()
    decoded = self.decoder(output.view(output.size(0)*output.size(1), output.size(2)))
    result = decoded.view(output.size(0), output.size(1), decoded.size(1))
    if return_h:
        return result, hidden, raw_outputs, outputs
    return result, hidden

这个模型正在训练，但与没有注意力模型的模型相比，我的损失相当高。

Answer 1

我理解您的问题，但是要遵循您的代码并找到损失没有减少的原因有点困难。此外，不清楚为什么要将 RNN 的最后一个隐藏状态与每个时间步的所有隐藏状态进行比较。

请注意，如果您以正确的方式使用特定的技巧/机制，它会很有用。 您尝试使用注意力机制的方式，我不确定它是否正确。所以，不要指望因为你在模型中使用了注意力技巧，你会得到很好的结果！你应该想，为什么注意力机制会为你想要的任务带来优势？

---

你没有明确提到你的目标是什么？由于您已指向包含语言建模代码的存储库，我猜任务是：给定一系列标记，预测下一个标记。

我在您的代码中看到的一个可能问题是：在for item in emb: 循环中，您将始终使用嵌入作为每个 LSTM 层的输入，因此堆叠 LSTM 对我来说没有意义。

---

现在，让我先回答您的问题，然后逐步说明如何构建您想要的 NN 架构。

是否需要使用编码器-解码器架构才能使用注意力机制？

编码器-解码器架构更广为人知的是序列到序列的学习，它广泛用于许多生成任务，例如机器翻译。您的问题的答案是否，您不需要使用任何特定的神经网络架构来使用注意力机制。

---

您在图中呈现的结构有点模棱两可，但应该很容易实现。由于您的实施对我来说并不明确，因此我试图指导您以更好的方式实施它。对于以下讨论，我假设我们正在处理文本输入。

假设我们有一个形状为16 x 10 的输入，其中16 是batch_size，10 是seq_len。我们可以假设我们在一个 mini-batch 中有 16 个句子，每个句子长度为 10。

batch_size, vocab_size = 16, 100
mat = np.random.randint(vocab_size, size=(batch_size, 10))
input_var = Variable(torch.from_numpy(mat))

这里，100 可以认为是词汇量大小。 重要的是要注意，在我提供的整个示例中，我假设 batch_size 是所有相应张量/变量的第一个维度。

现在，让我们嵌入输入变量。

embedding = nn.Embedding(100, 50)
embed = embedding(input_var)

嵌入后，我们得到一个形状为16 x 10 x 50的变量，其中50是嵌入大小。

现在，让我们定义一个 2 层单向 LSTM，每层有 100 个隐藏单元。

rnns = nn.ModuleList()
nlayers, input_size, hidden_size = 2, 50, 100
for i in range(nlayers):
    input_size = input_size if i == 0 else hidden_size
    rnns.append(nn.LSTM(input_size, hidden_size, 1, batch_first=True))

然后，我们可以将输入提供给这个 2 层 LSTM 以获得输出。

sent_variable = embed
outputs, hid = [], []
for i in range(nlayers):
    if i != 0:
        sent_variable = F.dropout(sent_variable, p=0.3, training=True)
    output, hidden = rnns[i](sent_variable)
    outputs.append(output)
    hid.append(hidden[0].squeeze(0))
    sent_variable = output

rnn_out = torch.cat(outputs, 2)
hid = torch.cat(hid, 1)

现在，您可以简单地使用hid 来预测下一个单词。我建议你这样做。这里，hid 的形状是batch_size x (num_layers*hidden_size)。

但由于您想使用注意力来计算最后一个隐藏状态与 LSTM 层产生的每个隐藏状态之间的软对齐分数，让我们这样做。

sent_variable = embed
hid, con = [], []
for i in range(nlayers):
    if i != 0:
        sent_variable = F.dropout(sent_variable, p=0.3, training=True)
    output, hidden = rnns[i](sent_variable)
    sent_variable = output

    hidden = hidden[0].squeeze(0) # batch_size x hidden_size
    hid.append(hidden)
    weights = torch.bmm(output[:, 0:-1, :], hidden.unsqueeze(2)).squeeze(2)  
    soft_weights = F.softmax(weights, 1)  # batch_size x seq_len
    context = torch.bmm(output[:, 0:-1, :].transpose(1, 2), soft_weights.unsqueeze(2)).squeeze(2)
    con.append(context)

hid, con = torch.cat(hid, 1), torch.cat(con, 1)
combined = torch.cat((hid, con), 1)

在这里，我们计算最后一个状态与每个时间步的所有状态之间的软对齐分数。然后我们计算一个上下文向量，它只是所有隐藏状态的线性组合。我们将它们组合成一个单一的表示。

请注意，我已经从output:output[:, 0:-1, :] 中删除了最后一个隐藏状态，因为您正在与最后一个隐藏状态本身进行比较。

最终的combined 表示存储了每层产生的最后隐藏状态和上下文向量。您可以直接使用这种表示来预测下一个单词。

预测下一个单词很简单，因为您使用简单的线性层就可以了。

---

编辑：我们可以执行以下操作来预测下一个单词。

decoder = nn.Linear(nlayers * hidden_size * 2, vocab_size)
dec_out = decoder(combined)

这里，dec_out 的形状是batch_size x vocab_size。现在，我们可以计算负对数似然损失，稍后将用于反向传播。

在计算负对数似然损失之前，我们需要将log_softmax 应用于解码器的输出。

dec_out = F.log_softmax(dec_out, 1)
target = np.random.randint(vocab_size, size=(batch_size))
target = Variable(torch.from_numpy(target))

而且，我们还定义了计算损失所需的目标。有关详细信息，请参阅NLLLoss。所以，现在我们可以如下计算损失。

criterion = nn.NLLLoss()
loss = criterion(dec_out, target)
print(loss)

打印的损失值为：

Variable containing:
 4.6278
[torch.FloatTensor of size 1]

希望整个解释对您有所帮助！

Answer 2

整个注意点是，不同语言中的词序是不同的，因此在解码目标语言中的第 5 个词时，您可能需要注意源中的第 3 个词（或第 3 个词的编码）语言，因为这些是相互对应的词。这就是为什么您经常看到注意力与编码器解码器结构一起使用的原因。

如果我理解正确，您是在进行下一个单词预测吗？在这种情况下，使用注意力可能仍然有意义，因为下一个单词可能高度依赖于过去 4 步的单词。

所以基本上你需要的是：

rnn: 接受形状为MBxninp 的input 和形状为MBxnhid 的hidden 并输出形状为MBxnhid 的h。

h, next_hidden = rnn(input, hidden)

注意：它按照h 的顺序和最后一个h_last 通过给每个w 赋予权重来决定它们的重要性。

w = attention(hs, h_last)

其中w 的形状为seq_len x MB x 1，hs 的形状为seq_len x MB x nhid，h_last 的形状为MB x nhid。

现在你将hs 加权为w：

h_att = torch.sum(w*hs, dim=0) #shape MB x n_hid

现在的重点是您需要在每个时间步都这样做：

h_att_list = []
h_list = []
hidden = hidden_init
for word in embedded_words:
    h, hidden = rnn(word, hidden)
    h_list.append(h)
    h_att = attention(torch.stack(h_list), h)
    h_att_list.append(h_att)

然后您可以在h_att_list 上应用解码器（可能需要是 MLP 而不仅仅是线性变换）。