как использовать для цикла в tenorflow / keras при использовании функционального API tf.keras? - PullRequest
Новая
       16

как использовать для цикла в tenorflow / keras при использовании функционального API tf.keras?

3 голосов
/ 20 июня 2019

Я хочу изменить вывод CuDNNGRU с помощью цикла for. Однако, похоже, что я не могу этого сделать из-за режима графика tf.GradientTape. Как я могу изменить CuDNNGRU в Функциональном API? Я знаю, что обычно мы можем выполнять некоторые матричные операции на функциональном API с помощью функций tf.keras.backend. *, Таких как K.backend.batch_dot и т. Д. Однако мне приходится выполнять некоторые сложные операции, такие как triple for loop или более, и т. Д., Если кто-то знает, как это сделать, пожалуйста, помогите! 

.....source code
x = L.Lambda(lambda fm: tf.squeeze(fm, axis=1))(x)
gru_1 = CuDNNGRU(512, return_sequences=True, name='gru1')(x)
gru_1b = CuDNNGRU(512, return_sequences=True, go_backwards=True,name='gru1_b')(x)
for i in gru_1:
    .....apply some function to gru_1 outputs

Кстати, в настоящее время я пытаюсь изменить выходные данные GRU с помощью приведенного ниже кода. 

def attention(inputs):
    transpose_input = tf.transpose(inputs,perm=[0,2,1])
    atten_w = K.backend.batch_dot(inputs,transpose_input)
    atten_w = tf.linalg.set_diag(atten_w,tf.zeros(tf.shape(atten_w)[0:-1],dtype=tf.float32))
    atten_w = tf.nn.softmax(atten_w,axis=1)
    atten_v = tf.py_function(calculate_atten,inp=[inputs,atten_w],Tout=[tf.float32])
    atten_v = tf.convert_to_tensor(atten_v)
    atten_v.set_shape(self.input_shapex)


def calculate_atten(data,atten_w):
    input_vector = data.numpy()
    atten_vectors = atten_w.numpy()
    all_batch = []
    for index,one_batch in enumerate(input_vector):
        tmp_w = atten_vectors[index]
        all_vector = []
        for j,vector in enumerate(one_batch):
            tmp = np.zeros(input_vector.shape[2])
            for w in tmp_w[j]:
                tmp += vector*w
            all_vector.append(tmp)
        all_batch.append(all_vector)
    return all_batch

Однако приведенный выше код, функция tf.py_function возвращает [время, функции] вместо [партия, время, функции], если это можно сделать, я могу использовать функцию tf.py_function для создания слоя. Но, похоже, не может, ПОМОГИТЕ !!!!

Обновление

Мне удалось выполнить операции с вложенным tf.map_fn. Хотя нужно правильно продумать, что передавать в tf.map_fn (несколько входов должны возвращаться в нескольких выходах). Надеюсь, что это может помочь другим 

def attn_transformation(inputs):
    inputs_transpose = tf.transpose(inputs)
    atten_w = tf.tensordot(inputs,inputs_transpose,axes=1)
    def transform(data):
        multiply_data = data[0]*data[1][...,tf.newaxis]
        return [multiply_data,data[1]]
    data = tf.map_fn(lambda x:transform(x),elems=([inputs,atten_w]))
    data = tf.reduce_sum(data[0],axis=1)
    return data

gru_1 = CuDNNGRU(512, return_sequences=True, name='gru1')(x)
gru_1b = CuDNNGRU(512, return_sequences=True, go_backwards=True,name='gru1_b')(x)
atten_vf = L.Lambda(lambda x: tf.map_fn(attn_transformation,x))(gru_1)

1 Ответ

1 голос
/ 20 июня 2019

Для любой произвольной операции, в которой вы хотите применить ее к каждому i в tensor, вы можете просто использовать tf.map_fn()

Так, например, мы можем сделать что-то вроде: 

inp = Input(shape=(2,3))
gru = CuDNNGRU(512, return_sequences=True)(inp)

def dummy_operation_to_be_applied(row):
  return row + 1

out = Lambda(lambda x: tf.map_fn(dummy_operation_to_be_applied, x))(gru)

UPDATE:

Обратите внимание, что мы также можем вкладывать tf.map_fn() для отображения операций в более низких измерениях.

Например: 

def nested_op(x):
  return tf.reduce_max(x) + x

def dummy_operation_to_be_applied(row):
  return tf.map_fn(nested_op, row)

out = Lambda(lambda x: tf.map_fn(dummy_operation_to_be_applied, x))(gru)
...