다중 레이어 LSTM 전에 삽입 레이어를 추가하는 방법은 무엇입니까?

Question

이야기 생성기를 할 때 단어 표현으로 글로브 벡터를 구현하고 싶습니다. 출력에 softmax에 대해 완전히 연결된 레이어가있는 2 레이어 LSTM을 사용하고 있습니다.

archetecture은 다음과 같습니다

는

Input --> LSTM --> LSTM --> Fully connected --> Output 

내 입력의 경우, 모델은 그 세 단어를 기반으로 단어를 세 단어를 가지고 출력한다. 각 입력은 25의 차원을 가진 벡터입니다. 저는 훈련을 위해 사용하는 텍스트에서 100 개의 레이블 만 있습니다. 각 LSTM에는 512 개의 숨겨진 유닛이 있습니다.

참조하십시오 아래에있는 내 코드 :

# Parameters 
learning_rate = 0.001 
training_iters = 50000 
display_step = 1000 
n_input = 3 
n_hidden = 512 

# tf Graph input 
x = tf.placeholder("float", [None, n_input, glove_dim]) 
y = tf.placeholder("float", [None, vocab_size]) 

# RNN output node weights and biases 
weights = {'out': tf.Variable(tf.random_normal([n_hidden, vocab_size]))} 
biases = {'out': tf.Variable(tf.random_normal([vocab_size]))} 

def RNN(x, weights, biases): 

    # reshape to [1, n_input] 
    x = tf.reshape(x, [-1, n_input]) 

    # Generate a n_input-element sequence of inputs 
    x = tf.split(x,n_input,1) 


    rnn_cell =rnn.MultiRNNCell([rnn.BasicLSTMCell(n_hidden),rnn.BasicLSTMCell(n_hidden)]) 

    # generate prediction 
    outputs, states = rnn.static_rnn(rnn_cell, x, dtype=tf.float32) 

    return tf.matmul(outputs[-1], weights['out']) + biases['out'] 

pred = RNN(x, weights, biases) 

# Loss and optimizer 
cost = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(logits=pred, labels=y)) 
optimizer = tf.train.RMSPropOptimizer(learning_rate=learning_rate).minimize(cost) 

# Model evaluation 
correct_pred = tf.equal(tf.argmax(pred,1), tf.argmax(y,1)) 
accuracy = tf.reduce_mean(tf.cast(correct_pred, tf.float32)) 

# Initializing the variables 
init = tf.global_variables_initializer() 

# Launch the graph 
with tf.Session() as session: 
    session.run(init) 
    step = 0 
    offset = random.randint(0,n_input+1) 
    end_offset = n_input + 1 
    acc_total = 0 
    loss_total = 0 

    writer.add_graph(session.graph) 

    while step < training_iters: 
     # Generate a minibatch. Add some randomness on selection process. 
     if offset > (len(training_data)-end_offset): 
      offset = random.randint(0, n_input+1) 

     symbols_in_keys = [ [glove_dictionary[ str(training_data[i])]] for i in range(offset, offset+n_input) ] 
     symbols_in_keys = np.reshape(np.array(symbols_in_keys), [-1, n_input, glove_dim]) 

     symbols_out_onehot = np.zeros([vocab_size], dtype=float) 
     symbols_out_onehot[dictionary[str(training_data[offset+n_input])]] = 1.0 
     symbols_out_onehot = np.reshape(symbols_out_onehot,[1,-1]) 

     _, acc, loss, onehot_pred = session.run([optimizer, accuracy, cost, pred], \ 
              feed_dict={x:symbols_in_keys, y: symbols_out_onehot}) 
     loss_total += loss 
     acc_total += acc 
     if (step+1) % display_step == 0: 
      print("Iter= " + str(step+1) + ", Average Loss= " + \ 
        "{:.6f}".format(loss_total/display_step) + ", Average Accuracy= " + \ 
        "{:.2f}%".format(100*acc_total/display_step)) 
      acc_total = 0 
      loss_total = 0 
      symbols_in = [training_data[i] for i in range(offset, offset + n_input)] 
      symbols_out = training_data[offset + n_input] 
      symbols_out_pred = reverse_dictionary[int(tf.argmax(onehot_pred, 1).eval())] 
      print("%s - [%s] vs [%s]" % (symbols_in,symbols_out,symbols_out_pred)) 
    step += 1 
    offset += (n_input+1) 
    print("Optimization Finished!") 
    print("Elapsed time: ", elapsed(time.time() - start_time)) 
    print("Run on command line.") 
    print("\ttensorboard --logdir=%s" % (logs_path)) 
    print("Point your web browser to: http://localhost:6006/") 
    while True: 
     prompt = "%s words: " % n_input 
     sentence = input(prompt) 
     sentence = sentence.strip() 
     words = sentence.split(' ') 
     if len(words) != n_input: 
      continue 
     try: 
      symbols_in_keys = [glove_dictionary[str(words[i])] for i in range(len(words))] 
      for i in range(32): 
       keys = np.reshape(np.array(symbols_in_keys), [-1, n_input, 1]) 
       onehot_pred = session.run(pred, feed_dict={x: keys}) 
       onehot_pred_index = int(tf.argmax(onehot_pred, 1).eval()) 
       sentence = "%s %s" % (sentence,reverse_dictionary[onehot_pred_index]) 
       symbols_in_keys = symbols_in_keys[1:] 
       symbols_in_keys.append(onehot_pred_index) 
      print(sentence) 
     except: 
      print("Word not in dictionary") 

나는 이것을 실행하면, 나는 오류 받고 있어요 :

InvalidArgumentError (see above for traceback): logits and labels must have the same first dimension, got logits shape [160,14313] and labels shape [10] 
    [[Node: SparseSoftmaxCrossEntropyWithLogits/SparseSoftmaxCrossEntropyWithLogits = SparseSoftmaxCrossEntropyWithLogits[T=DT_FLOAT, Tlabels=DT_INT32, _device="/job:localhost/replica:0/task:0/cpu:0"](add, Reshape_1)]] 

나는 모양이 결정된다 logits하는 방법을 알 수 있으며, 내가 무엇을 할 수 내 코드를 수정 하시겠습니까?

Answer 1

나는 당신이 할 때

x

# reshape to [1, n_input] 
x = tf.reshape(x, [-1, n_input]) 

# Generate a n_input-element sequence of inputs 
x = tf.split(x,n_input,1) 

처음 (batch_size * glove_dim, n_input)

로 재편 그런

는 따라서 rnn.static_rnn가 input_size로 1을 당신이 그것을 프로젝트 (batch_size * glove_dim, 1)에 분할에서 문제가 온다 생각 weight 행렬을 곱하여 vocab_size으로 설정하십시오.

출력이 (batch_size * glove_dim, vocab_size)

은 어쩌면 당신은 x = tf.split(x,n_input,1)이 실제로 작동