Предсказание значений с использованием логов LSTM - PullRequest
Новая
       5

Предсказание значений с использованием логов LSTM

0 голосов
/ 01 мая 2018

Я смотрю на этот пример LSTM. После обучения сети получение нескольких прогнозов с использованием одного и того же входного пакета дает разные результаты. 

for z in range(3):
  o = session.run([model.logits], feed_dict={model.inputs:X_test[0:0+batch_size]})
  print(o)

Например, первое прогнозируемое значение - -0.24326998, -0.23387843, -0.22564721.
Учитывая окончательные логиты, не должны ли они быть фиксированными и давать фиксированный прогноз? Чего мне не хватает?

1 Ответ

0 голосов
/ 01 мая 2018

Если вы внимательно посмотрите на определение этой функции: 

def LSTM_cell(hidden_layer_size, batch_size,number_of_layers, dropout=True, dropout_rate=0.8):
    # ...
    if dropout:
        layer = tf.contrib.rnn.DropoutWrapper(layer, output_keep_prob=dropout_rate)

применяет функцию отсева к выходу каждой ячейки LSTM, tf.nn.dropout () и tf.contrib.rnn.DropoutWrapper () произвольно устанавливает некоторый процент от тензора элементов к нулю, вы можете проверить ссылки для более подробной информации. Согласно определению LSTM_cell (), каждый раз, когда вы звоните 

o = session.run([model.logits], feed_dict={model.inputs:X_test[0:0+batch_size]})

каждый выходной нейрон каждой ячейки LSTM в вашей модели случайно установлен на ноль с вероятностью 1 - 0,8 = 0,2 = 20%. Следовательно, ваша модель является стохастической, и вы получаете разные результаты даже при работе модели с одинаковыми входными данными. Выпадение - это метод регуляризации, полезный при обучении нейронных сетей, бесполезно (и, возможно, нелогично) применять его во время режима проверки и тестирования. Я не хочу называть код, который вы упомянули, неверным, но, как правило, выпадающий код реализуется с использованием заполнителя, подобного следующему: 

def LSTM_cell(hidden_layer_size, batch_size,number_of_layers,  dropout_rate):
    # ...
    layer = tf.contrib.rnn.BasicLSTMCell(hidden_layer_size)
    layer = tf.contrib.rnn.DropoutWrapper(layer, output_keep_prob=dropout_rate)

class StockPredictionRNN(object):
    def __init__(...)
    # ...
    self.dropout_placeholder = tf.placeholder(tf.float32)
    cell, init_state = LSTM_cell(hidden_layer_size, batch_size, number_of_layers, self.dropout_placeholder)

Установите показатель отсева, например, 0,8 на этапе обучения: 

for i in range(epochs):
    # ...
    o, c, _ = session.run([model.logits, model.loss, model.opt], feed_dict={model.inputs:X_batch, model.targets:y_batch, model.dropout_placeholder: 0.8})

Отключить отсев, установив показатель отсева на 1,0 во время фазы тестирования: 

o = session.run([model.logits], feed_dict={model.inputs:X_test[i:i+batch_size], model.dropout_placeholder: 1.0})

Для получения дополнительной информации об отсеве, пожалуйста, проверьте оригинал бумаги .

...