在Keras中，什么时候在调用model.predict时重置LSTM状态？

Question

该模型的第一层是LSTM。

在调用model.predict时，假设您传入了几个示例：

>sam = np.array([ [[.5, .6, .3]], [[.6, .6, .3]], [[.5, .6, .3]] ])
>model.predict(sam)
array([[ 0.23589483],
       [ 0.2327884 ],
       [ 0.23589483]])

上面我们看到了映射：[.5，.6，.3] -> 0.23589483等(1个元素的序列，这是一个长度为3的向量，映射到一个实数)

该模型的input_length为1，input_dim为3。请注意，第一个和最后一个是相同的，并且具有相同的输出(0.23589483)。因此，我的假设是，在Keras处理样本(在本例中是一个3-D向量序列)之后，它会重置模型的记忆。也就是说，每个序列基本上是独立的。这种观点有没有什么不正确或误导性的地方？

以input_length 3和input_dim 1为例，这一次，切换序列中的值并看到不同的结果(将第二个列表与最后一个列表进行比较)。因此，当Keras处理序列时，内存会发生变化，但当处理完成时，内存会重置(第一个序列和第二个序列具有相同的结果)。

sam = np.array([ [[.1],[.1],[.9]], [[.1],[.9],[.1]], [[.1],[.1],[.9]]   ])
model.predict(sam)
array([[ 0.69906837],
   [ 0.1454899 ],
   [ 0.69906837]])

上面我们看到了映射[.1，.1，.9] -> 0.69906837等(3个元素到实数的序列)

Answer 1

我很欣赏这是一个老问题，但希望这个答案能帮助其他像我一样的Keras初学者。

我在我的机器上运行了这个示例，并观察到LSTM的隐藏状态和单元状态确实随着对model.predict的调用而发生变化。

import numpy as np
import keras.backend as K
from keras.models import Model
from keras.layers import LSTM

batch_size = 1
timestep_size = 2
num_features = 4

inputs = Input(batch_shape=(batch_size, timestep_size, num_features)
x = LSTM(num_features, stateful=True)(inputs)

model = Model(inputs=inputs, outputs=x)
model.compile(loss="mse",
              optimizer="rmsprop",
              metrics=["accuracy"])

x = np.random.randint((10,2,4))
y = np.ones((10,4))
model.fit(x,y, epochs=100, batch_size=1)

def get_internal_state(model):
    # get the internal state of the LSTM
    # see https://github.com/fchollet/keras/issues/218
    h, c = [K.get_value(s) for s, _ in model.state_updates]
    return h, c

print "After fitting:", get_internal_state(model)

for i in range(3):
    x = np.random.randint((10,2,4))
    model.predict(x)
    print "After predict:", get_internal_state(model)

以下是训练后对get_internal_state的调用的输出示例：

After_fitting: (array([[ 1.,  1.,  1.,  1.]], dtype=float32), array([[  11.33725166,   11.8036108 ,  181.75688171,   25.50110626]], dtype=float32))
After predict (array([[ 1.        ,  0.99999994,  1.        ,  1.        ]], dtype=float32), array([[   9.26870918,    8.83847237,  179.92633057,   28.89341927]], dtype=float32))
After predict (array([[ 0.99999571,  0.9992013 ,  1.        ,  0.9915328 ]], dtype=float32), array([[   6.5174489 ,    8.55165958,  171.42166138,   25.49199104]], dtype=float32))
After predict (array([[ 1.,  1.,  1.,  1.]], dtype=float32), array([[   9.78496075,    9.27927303,  169.95401001,   28.74017715]], dtype=float32))

Answer 2

您正在调用model.predict()，这意味着网络的权重在处理输入时不会改变，因此当您输入[[.1],[.1],[.9]]时，它将始终产生相同的结果，而不管其他输入之间接收到什么。请注意，当您训练了模型并预测测试数据时，这是首选行为。你不希望你提供的其他测试数据影响你的预测。

在model.fit()中可以看到您期望的效果，例如，您可以使用model.train_on_batch()对输入进行训练(并更新模型权重)，然后调用model.predict()查看输出的变化。

编辑：如果你寻找的是LSTM的状态，而不是网络的权重，你应该将stateful=True传递给层的初始化，它默认设置为False。当使用stateful时，你也必须传递batch_input_shape参数。有关详细信息，请参阅here。请注意，如果您希望每个输入影响下一次预测，则必须将batch size设置为1(例如batch_input_shape=(1,3,1))，因为对批中样本的评估是并行完成的，它们不会相互影响。