基于Keras的ELMo嵌入层

Question

我一直在我的架构中使用Keras默认嵌入层和word嵌入。架构看起来像这样-

left_input = Input(shape=(max_seq_length,), dtype='int32')
right_input = Input(shape=(max_seq_length,), dtype='int32')

embedding_layer = Embedding(len(embeddings), embedding_dim, weights=[embeddings], input_length=max_seq_length,
                            trainable=False)

# Since this is a siamese network, both sides share the same LSTM
shared_lstm = LSTM(n_hidden, name="lstm")

left_output = shared_lstm(encoded_left)
right_output = shared_lstm(encoded_right)

我想用ELMo嵌入替换嵌入层。所以我使用了一个自定义的嵌入层-可以在这个repo - https://github.com/strongio/keras-elmo/blob/master/Elmo%20Keras.ipynb中找到。嵌入层看起来像这样-

class ElmoEmbeddingLayer(Layer):
def __init__(self, **kwargs):
    self.dimensions = 1024
    self.trainable=True
    super(ElmoEmbeddingLayer, self).__init__(**kwargs)

def build(self, input_shape):
    self.elmo = hub.Module('https://tfhub.dev/google/elmo/2', trainable=self.trainable,
                           name="{}_module".format(self.name))

    self.trainable_weights += K.tf.trainable_variables(scope="^{}_module/.*".format(self.name))
    super(ElmoEmbeddingLayer, self).build(input_shape)

def call(self, x, mask=None):
    result = self.elmo(K.squeeze(K.cast(x, tf.string), axis=1),
                  as_dict=True,
                  signature='default',
                  )['default']
    return result

def compute_mask(self, inputs, mask=None):
    return K.not_equal(inputs, '--PAD--')

def compute_output_shape(self, input_shape):
    return (input_shape[0], self.dimensions)

我更改了新嵌入层的架构。

 # The visible layer
left_input = Input(shape=(1,), dtype="string")
right_input = Input(shape=(1,), dtype="string")

embedding_layer = ElmoEmbeddingLayer()

# Embedded version of the inputs
encoded_left = embedding_layer(left_input)
encoded_right = embedding_layer(right_input)

# Since this is a siamese network, both sides share the same LSTM
shared_lstm = LSTM(n_hidden, name="lstm")

left_output = shared_gru(encoded_left)
right_output = shared_gru(encoded_right)

但是我得到了一个错误-

ValueError:输入0与层lstm不兼容:需要的ndim=3，找到的ndim=2

我在这里做错了什么？

Answer 1

我还使用该存储库作为构建CustomELMo + BiLSTM + CRF模型的指南，我需要将字典查找更改为'elmo‘而不是'default’。正如Anna Krogager所指出的，当字典查找是“默认的”时，输出是(batch_size，dim)，这对于LSTM来说是不够的。然而，当字典查找是'elmo‘时，该层返回正确维度的张量，即形状(batch_size，max_length，1024)。

自定义ELMo层：

class ElmoEmbeddingLayer(Layer):
def __init__(self, **kwargs):
    self.dimensions = 1024
    self.trainable = True
    super(ElmoEmbeddingLayer, self).__init__(**kwargs)

def build(self, input_shape):
    self.elmo = hub.Module('https://tfhub.dev/google/elmo/2', trainable=self.trainable,
                           name="{}_module".format(self.name))

    self.trainable_weights += K.tf.trainable_variables(scope="^{}_module/.*".format(self.name))
    super(ElmoEmbeddingLayer, self).build(input_shape)

def call(self, x, mask=None):
    result = self.elmo(K.squeeze(K.cast(x, tf.string), axis=1),
                       as_dict=True,
                       signature='default',
                       )['elmo']
    print(result)
    return result

# def compute_mask(self, inputs, mask=None):
#   return K.not_equal(inputs, '__PAD__')

def compute_output_shape(self, input_shape):
    return input_shape[0], 48, self.dimensions

该模型的构建方法如下：

def build_model(): # uses crf from keras_contrib
    input = layers.Input(shape=(1,), dtype=tf.string)
    model = ElmoEmbeddingLayer(name='ElmoEmbeddingLayer')(input)
    model = Bidirectional(LSTM(units=512, return_sequences=True))(model)
    crf = CRF(num_tags)
    out = crf(model)
    model = Model(input, out)
    model.compile(optimizer="rmsprop", loss=crf_loss, metrics=[crf_accuracy, categorical_accuracy, mean_squared_error])
    model.summary()
    return model

我希望我的代码对您有用，即使它不是完全相同的模型。请注意，我必须在compute_mask方法抛出

InvalidArgumentError: Incompatible shapes: [32,47] vs. [32,0]    [[{{node loss/crf_1_loss/mul_6}}]]

其中32是批处理大小，47是比我指定的max_length小1的值(大概是指pad令牌本身)。我还没有找出那个错误的原因，所以对你和你的模型来说可能没问题。然而，我注意到你正在使用GRU，并且在存储库上有一个关于添加GRU的未解决的问题，所以我很好奇你是否也得到了GRU。

Answer 2

Elmo嵌入层为每个输入输出一个嵌入(因此输出形状为(batch_size, dim))，而您的LSTM需要一个序列(即shape (batch_size, seq_length, dim))。我不认为在Elmo嵌入层之后使用LSTM层有多大意义，因为Elmo已经使用LSTM来嵌入单词序列。