의 기능 I theano에서 다음과 같은 기능이 있습니다(스캔) theano 및 tensorflow
def forward_prop_step(x_t, s_t1_prev, s_t2_prev):
# This is how we calculated the hidden state in a simple RNN. No longer!
# s_t = T.tanh(U[:,x_t] + W.dot(s_t1_prev))
# Word embedding layer
x_e = E[:,x_t]
# GRU Layer 1
z_t1 = T.nnet.hard_sigmoid(U[0].dot(x_e) + W[0].dot(s_t1_prev) + b[0])
r_t1 = T.nnet.hard_sigmoid(U[1].dot(x_e) + W[1].dot(s_t1_prev) + b[1])
c_t1 = T.tanh(U[2].dot(x_e) + W[2].dot(s_t1_prev * r_t1) + b[2])
s_t1 = (T.ones_like(z_t1) - z_t1) * c_t1 + z_t1 * s_t1_prev
# GRU Layer 2
z_t2 = T.nnet.hard_sigmoid(U[3].dot(s_t1) + W[3].dot(s_t2_prev) + b[3])
r_t2 = T.nnet.hard_sigmoid(U[4].dot(s_t1) + W[4].dot(s_t2_prev) + b[4])
c_t2 = T.tanh(U[5].dot(s_t1) + W[5].dot(s_t2_prev * r_t2) + b[5])
s_t2 = (T.ones_like(z_t2) - z_t2) * c_t2 + z_t2 * s_t2_prev
# Final output calculation
# Theano's softmax returns a matrix with one row, we only need the row
o_t = T.nnet.softmax(V.dot(s_t2) + c)[0]
return [o_t, s_t1, s_t2]
을 그리고 스캔하여이 함수를 호출 :
[o, s, s2], updates = theano.scan(
forward_prop_step,
sequences=x,
truncate_gradient=self.bptt_truncate,
outputs_info=[None,
dict(initial=T.zeros(self.hidden_dim)),
dict(initial=T.zeros(self.hidden_dim))])
내가에서 동일한 기능을 재 작성 시도 tensorflow :
def forward_prop_step(x_t, s_t1_prev, s_t2_prev):
# Word embedding layer
x_e = E[:, x_t]
# GRU Layer 1
z_t1 = tf.sigmoid(tf.reduce_sum(U[0] * x_e, axis=1) + tf.reduce_sum(W[0] * s_t1_prev, axis=1) + b[0])
r_t1 = tf.sigmoid(tf.reduce_sum(U[1] * x_e, axis=1) + tf.reduce_sum(W[1] * s_t1_prev, axis=1) + b[1])
c_t1 = tf.tanh(tf.reduce_sum(U[2] * x_e, axis=1) + tf.reduce_sum(W[2] * (s_t1_prev * r_t1), axis=1) + b[2])
s_t1 = (tf.ones_like(z_t1) - z_t1) * c_t1 + z_t1 * s_t1_prev
# GRU Layer 2
z_t2 = tf.sigmoid(tf.reduce_sum(U[3] * s_t1, axis=1) + tf.reduce_sum(W[3] * s_t2_prev, axis=1) + b[3])
r_t2 = tf.sigmoid(tf.reduce_sum(U[4] * s_t1, axis=1) + tf.reduce_sum(W[4] * s_t2_prev) + b[1])
c_t2 = tf.tanh(tf.reduce_sum(U[5] * s_t1, axis=1) + tf.reduce_sum(W[5] * (s_t2_prev * r_t2), axis=1) + b[5])
s_t2 = (tf.ones_like(z_t2) - z_t2) * c_t2 + z_t2 * s_t2_prev
# Final output calculation
o_t = tf.softmax(tf.reduce_sum(V * s_t2, axis=1) + c)[0]
return [o_t, s_t1, s_t2]
그리고 스캔을 사용하여이 함수를 호출 한 :
s = tf.zeros([self.hidden_dim, 0])
s2 = tf.zeros([self.hidden_dim, 0])
[o, s, s2] = tf.scan(
fn=forward_prop_step,
elems=[x, s, s2])
초기화 프로그램을 사용하는 대신 스캔 전에 s 및 s2 변수를 초기화했습니다. tensorflow에서 코드를 실행할 때 다음 오류가 발생합니다.
TypeError: forward_prop_step() takes exactly 3 arguments (2 given)
유일한 문제는 위의 버그가 아닌 것입니다. 테 노어 플로우에서 테 노노 코드를 참조하여 스캔 기능을 재 작성하려면 어떻게해야합니까?
오류가 정확합니다. 설명서에 명시된 바와 같이 tensorflow 스캔 기능이 2 개의 인수를 사용한다고 가정합니다. https://www.tensorflow.org/api_docs/python/tf/scan – arkhy
제발 arkhy, 제게 어떻게 보여줄 수 있습니까? tf에서 스캔을 작성하는 올바른 방법이 될까요? :) 나는 매우 감사 할 것이다 – yusuf