上一篇 seq2seq 入门 提到了 cho 和 Sutskever 的两篇论文，今天来看一下如何用 keras 建立 seq2seq。
第一个 LSTM 为 Encoder，只在序列结束时输出一个语义向量，所以其 "return_sequences" 参数设置为 "False"
使用 "RepeatVector" 将 Encoder 的输出(最后一个 time step)复制 N 份作为 Decoder 的 N 次输入
第二个 LSTM 为 Decoder， 因为在每一个 time step 都输出，所以其 "return_sequences" 参数设置为 "True"
from keras.models import Sequential
from keras.layers.recurrent import LSTM
from keras.layers.wrappers import TimeDistributed
from keras.layers.core import Dense, RepeatVector
def build_model(input_size, max_out_seq_len, hidden_size):
model = Sequential()
# Encoder(第一个 LSTM) model.add( LSTM(input_dim=input_size, output_dim=hidden_size, return_sequences=False) )
model.add( Dense(hidden_size, activation="relu") )
# 使用 "RepeatVector" 将 Encoder 的输出(最后一个 time step)复制 N 份作为 Decoder 的 N 次输入
model.add( RepeatVector(max_out_seq_len) )
# Decoder(第二个 LSTM)
model.add( LSTM(hidden_size, return_sequences=True) )
# TimeDistributed 是为了保证 Dense 和 Decoder 之间的一致
model.add( TimeDistributed(Dense(output_dim=input_size, activation="linear")) )
model.compile(loss="mse", optimizer='adam')
return model
也可以用 GRU 作为 RNN 单元，代码如下，区别就是将 LSTM 处换成 GRU：
from keras.layers.recurrent import GRU
from keras.layers.wrappers import TimeDistributed
from keras.models import Sequential, model_from_json
from keras.layers.core import Dense, RepeatVector
def build_model(input_size, seq_len, hidden_size):
"""建立一个 sequence to sequence 模型"""
model = Sequential()
model.add(GRU(input_dim=input_size, output_dim=hidden_size, return_sequences=False))
model.add(Dense(hidden_size, activation="relu"))
model.add(RepeatVector(seq_len))
model.add(GRU(hidden_size, return_sequences=True))
model.add(TimeDistributed(Dense(output_dim=input_size, activation="linear")))
model.compile(loss="mse", optimizer='adam')
return model
上面是一个最简单的 seq2seq 模型，因为没有将 Decoder 的每一个时刻的输出作为下一个时刻的输入。
当然，我们可以直接用 keras 的 seq2seq 模型：
https://github.com/farizrahman4u/seq2seq
下面是几个例子：
简单的 seq2seq 模型：
import seq2seq
from seq2seq.models import SimpleSeq2Seq
model = SimpleSeq2Seq(input_dim=5, hidden_dim=10, output_length=8, output_dim=8)
model.compile(loss='mse', optimizer='rmsprop')
深度 seq2seq 模型：encoding 有 3 层, decoding 有 3 层
import seq2seq
from seq2seq.models import SimpleSeq2Seq
model = SimpleSeq2Seq(input_dim=5, hidden_dim=10, output_length=8, output_dim=8, depth=3)
model.compile(loss='mse', optimizer='rmsprop')
encoding 和 decoding 的层数也可以不同：encoding 有 4 层, decoding 有 5 层
import seq2seq
from seq2seq.models import SimpleSeq2Seq
model = SimpleSeq2Seq(input_dim=5, hidden_dim=10, output_length=8, output_dim=20, depth=(4, 5))
model.compile(loss='mse', optimizer='rmsprop')
上面几种也是最简单的 SimpleSeq2Seq 的应用。
在论文 Sequence to Sequence Learning with Neural Networks 给出的 seq2seq 中，encoder 的隐藏层状态要传递给 decoder，而且 decoder 的每一个时刻的输出作为下一个时刻的输入，而且这里内置的模型中，还将隐藏层状态贯穿了整个 LSTM：
import seq2seq
from seq2seq.models import Seq2Seq
model = Seq2Seq(batch_input_shape=(16, 7, 5), hidden_dim=10, output_length=8, output_dim=20, depth=4)
model.compile(loss='mse', optimizer='rmsprop')
cho 的这篇论文 Learning Phrase Representations using RNN Encoder–Decoder for Statistical Machine Translation 中的 seq2seq 模型实现为：decoder 在每个时间点的语境向量都会获得一个 'peek'
import seq2seq
from seq2seq.models import Seq2Seq
model = Seq2Seq(batch_input_shape=(16, 7, 5), hidden_dim=10, output_length=8, output_dim=20, depth=4, peek=True)
model.compile(loss='mse', optimizer='rmsprop')
在论文 Neural Machine Translation by Jointly Learning to Align and Translate 中带有注意力机制的 seq2seq：没有隐藏状态的传播，而且 encoder 是双向的 LSTM
import seq2seq
from seq2seq.models import AttentionSeq2Seq
model = AttentionSeq2Seq(input_dim=5, input_length=7, hidden_dim=10, output_length=8, output_dim=20, depth=4)
model.compile(loss='mse', optimizer='rmsprop')
参考：
https://github.com/farizrahman4u/seq2seq
http://www.zmonster.me/2016/05/29/sequence_to_sequence_with_keras.html
http://jacoxu.com/encoder_decoder/
推荐阅读 历史技术博文链接汇总
http://www.jianshu.com/p/28f02bb59fe5
也许可以找到你想要的
网友评论