带注意力的LSTM

Question

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

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

基本上，我使用的是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

我理解你的问题，但要按照你的代码找出损失没有减少的原因是有点困难的。此外，还不清楚为什么要将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，如果你以正确的方式使用一个特殊的技巧/机制是很有用的。你试图使用注意力机制的方式，我不确定这是不是正确的方式。所以，不要期望因为你在模型中使用了注意力技巧，你就会得到好的结果！你应该想想，为什么注意力机制会给你想要的任务带来好处？

你没有清楚地提到你的目标是什么？由于您已经指出了一个包含语言建模代码的repo，我猜任务是:给定一系列令牌，预测下一个令牌。

我在您的代码中看到的一个可能的问题是: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，因此堆叠的LSTM对我来说没有意义。

现在，让我先回答你的问题，然后一步一步地展示如何构建你想要的NN架构。

我需要使用编码器-解码器架构才能使用注意力机制吗？

编码器-解码器架构更为人所知的是序列到序列的学习，它被广泛地应用于许多生成任务，例如机器翻译。你的问题的答案是no，你不需要使用任何特定的神经网络架构来使用注意力机制。

您在图中展示的结构有点模棱两可，但应该很容易实现。由于我不清楚您的实现方式，我正在尝试引导您使用更好的方式来实现它。对于下面的讨论，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小批量中有16个句子，每个句子的长度是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可以被认为是词汇表的大小。重要的是要注意，在我提供的整个例子中，我假设batch_size是所有相应张量/变量的第一维。

现在，让我们嵌入输入变量。

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

嵌入之后，我们得到了一个形状变量16 x 10 x 50，其中50是嵌入大小。

现在，让我们定义一个两层的单向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)。

但是，由于您希望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，因此让我们这样做。

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。我们将它们组合在一起形成一个单一的表示。

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表示存储在每一层产生的最后隐藏状态和上下文向量。您可以直接使用此表示法来预测下一个单词。

预测下一个单词是直截了当的，因为你正在使用一个简单的线性层。

编辑：我们可以做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，我们需要对解码器的输出应用log_softmax。

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

并且，我们还定义了计算损失所需的目标。详情请参见NLLLoss。因此，现在我们可以按如下方式计算损失。

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

打印损失值为：

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

希望整个解释能对你有所帮助！

Answer 2

要注意的是，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个单词时，您可能需要注意源语言中的第3个单词(或第3个单词的编码)，因为这些单词彼此对应。这就是为什么你最常看到的注意力与编码器和解码器结构一起使用。

如果我没记错的话，你在做下一个单词预测？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在很大程度上依赖于过去的单词4步骤。

所以基本上你需要的是：

rnn:接受shape MBxninp的input和shape MBxnhid的hidden，输出shape MBxnhid的h。

h, next_hidden = rnn(input, hidden)

注意：h的顺序是什么，最后一个h_last通过给每个w一个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。

现在根据w对hs进行加权：

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

现在的重点是，你需要为每一个时间步做这件事：

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(可能需要使用MLP，而不仅仅是线性变换)。