Tensorflow:低级LSTM实现

Question

我正在寻找一个在Tensorflow中使用LSTM单元的RNN的低级实现。我已经实现了几个前馈网络，其中我使用了低级API。这对我理解人工神经网络的内部工作原理有很大帮助。我可以对RNN执行相同的操作吗?还是建议使用LSTM cell (tf.nn.rnn_cell.BasicLSTMCell)的Tensorflow实现？我在Tensorflow中没有发现任何RNN的低级实现。我在哪里可以找到这样一个低级的实现？Tensorflow是为此而设计的吗？我能从哪里开始呢？我希望我的几个问题可以在这里得到回答。

Answer 1

1)使用tf.scan

利用tf.scan函数可以实现递归神经网络的底层实现。例如，对于SimpleRNN，其实现将类似于：

# our RNN variables
Wx = tf.get_variable(name='Wx', shape=[embedding_size, rnn_size])
Wh = tf.get_variable(name='Wh', shape=[rnn_size, rnn_size])
bias_rnn = tf.get_variable(name='brnn', initializer=tf.zeros([rnn_size]))


# single step in RNN
# simpleRNN formula is `tanh(WX+WH)`
def rnn_step(prev_hidden_state, x):
    return tf.tanh(tf.matmul(x, Wx) + tf.matmul(prev_hidden_state, Wh) + bias_rnn)

# our unroll function
# notice that our inputs should be transpose
hidden_states = tf.scan(fn=rnn_step,
                        elems=tf.transpose(embed, perm=[1, 0, 2]),
                        initializer=tf.zeros([batch_size, rnn_size]))

# covert to previous shape
outputs = tf.transpose(hidden_states, perm=[1, 0, 2])

# extract last hidden
last_rnn_output = outputs[:, -1, :]

请参阅完整的示例here。

2)使用AutoGraph

tf.scan是一个for循环，您也可以实现它的Auto-graph API：

from tensorflow.python import autograph as ag

@ag.convert()
def f(x):
# ...
for ch in chars:
      cell_output, (state, output) = cell.call(ch, (state, output))
      hidden_outputs.append(cell_output)
hidden_outputs = autograph.stack(hidden_outputs)
# ...

请参阅autograph API here的完整示例。

3)在Numpy中实现

如果您仍然需要深入了解如何实现RNN，请参阅使用numpy实现RNN的this教程。

4) Keras中的自定义RNN单元

参见here。