首页 文章

将Pytorch LSTM的状态参数转换为Keras LSTM

提问于
浏览 次
4

我试图将现有训练有素的PyTorch模型移植到Keras .

在移植过程中，我陷入了LSTM层 .

LSTM网络的Keras实现似乎有三种状态矩阵，而Pytorch实现有四种 .

例如，对于具有hidden_layers = 64的双向LSTM，input_size = 512＆output size = 128状态参数，如下所示

State params of Keras LSTM

[<tf.Variable 'bidirectional_1/forward_lstm_1/kernel:0' shape=(512, 256) dtype=float32_ref>,
 <tf.Variable 'bidirectional_1/forward_lstm_1/recurrent_kernel:0' shape=(64, 256) dtype=float32_ref>,
 <tf.Variable 'bidirectional_1/forward_lstm_1/bias:0' shape=(256,) dtype=float32_ref>,
 <tf.Variable 'bidirectional_1/backward_lstm_1/kernel:0' shape=(512, 256) dtype=float32_ref>,
 <tf.Variable 'bidirectional_1/backward_lstm_1/recurrent_kernel:0' shape=(64, 256) dtype=float32_ref>,
 <tf.Variable 'bidirectional_1/backward_lstm_1/bias:0' shape=(256,) dtype=float32_ref>]

State params of PyTorch LSTM

['rnn.0.rnn.weight_ih_l0', torch.Size([256, 512])],
 ['rnn.0.rnn.weight_hh_l0', torch.Size([256, 64])],
 ['rnn.0.rnn.bias_ih_l0', torch.Size([256])],
 ['rnn.0.rnn.bias_hh_l0', torch.Size([256])],
 ['rnn.0.rnn.weight_ih_l0_reverse', torch.Size([256, 512])],
 ['rnn.0.rnn.weight_hh_l0_reverse', torch.Size([256, 64])],
 ['rnn.0.rnn.bias_ih_l0_reverse', torch.Size([256])],
 ['rnn.0.rnn.bias_hh_l0_reverse', torch.Size([256])],

我试着查看两个实现的代码，但不能理解太多 .

有人可以帮我把PyTorch的4组状态参数转换成Keras的3组状态参数

keras lstm pytorch

1 回答

  • 6

    他们真的没那么不同 . 如果在PyTorch中总结两个偏置向量，则方程将与Keras中实现的方程相同 .

    这是PyTorch documentation上的LSTM公式：

    enter image description here

    PyTorch使用两个单独的偏置向量进行输入转换（下标以 i 开头）和循环转换（下标以 h 开头） .

    在Keras LSTMCell ：

    x_i = K.dot(inputs_i, self.kernel_i)
        x_f = K.dot(inputs_f, self.kernel_f)
        x_c = K.dot(inputs_c, self.kernel_c)
        x_o = K.dot(inputs_o, self.kernel_o)
        if self.use_bias:
            x_i = K.bias_add(x_i, self.bias_i)
            x_f = K.bias_add(x_f, self.bias_f)
            x_c = K.bias_add(x_c, self.bias_c)
            x_o = K.bias_add(x_o, self.bias_o)

        if 0 < self.recurrent_dropout < 1.:
            h_tm1_i = h_tm1 * rec_dp_mask[0]
            h_tm1_f = h_tm1 * rec_dp_mask[1]
            h_tm1_c = h_tm1 * rec_dp_mask[2]
            h_tm1_o = h_tm1 * rec_dp_mask[3]
        else:
            h_tm1_i = h_tm1
            h_tm1_f = h_tm1
            h_tm1_c = h_tm1
            h_tm1_o = h_tm1
        i = self.recurrent_activation(x_i + K.dot(h_tm1_i,
                                                  self.recurrent_kernel_i))
        f = self.recurrent_activation(x_f + K.dot(h_tm1_f,
                                                  self.recurrent_kernel_f))
        c = f * c_tm1 + i * self.activation(x_c + K.dot(h_tm1_c,
                                                        self.recurrent_kernel_c))
        o = self.recurrent_activation(x_o + K.dot(h_tm1_o,
                                                  self.recurrent_kernel_o))

    输入转换中只添加了一个偏差 . 但是，如果我们总结PyTorch中的两个偏差，则方程式将是等价的 .

    双偏置LSTM是在cuDNN中实现的（参见developer guide） . 我'm really not that familiar with PyTorch, but I guess that'为什么他们使用两个偏差参数 . 在Keras中， CuDNNLSTM 层也有两个偏置权重向量 .

    回复于

相关问题