seq2seq中的时间分布(密集)与密集 [英] TimeDistributed(Dense) vs Dense in seq2seq

问题描述

给定以下代码

encoder_inputs = Input(shape=(16, 70))
encoder = LSTM(latent_dim, return_state=True)
encoder_outputs, state_h, state_c = encoder(encoder_inputs)
# We discard `encoder_outputs` and only keep the states.
encoder_states = [state_h, state_c]

# Set up the decoder, using `encoder_states` as initial state.
decoder_inputs = Input(shape=(59, 93))
# We set up our decoder to return full output sequences,
# and to return internal states as well. We don't use the
# return states in the training model, but we will use them in inference.
decoder_lstm = LSTM(latent_dim, return_sequences=True, return_state=True)
decoder_outputs,_,_ = decoder_lstm(decoder_inputs,
                                     initial_state=encoder_states)
decoder_dense = TimeDistributed(Dense(93, activation='softmax'))
decoder_outputs = decoder_dense(decoder_outputs)

# Define the model that will turn
# `encoder_input_data` & `decoder_input_data` into `decoder_target_data`
model = Model([encoder_inputs, decoder_inputs], decoder_outputs)

如果我更改

decoder_dense = TimeDistributed(Dense(93, activation='softmax'))

至

decoder_dense = Dense(93, activation='softmax')

它仍然有效，但哪种方法更有效？

推荐答案

如果您的数据依赖于时间，如Time Series数据或由Video不同帧组成的数据，则时间Distributed Dense层比简单Dense层有效。

Time Distributed Dense将相同的dense层应用于GRU/LSTM单元格展开过程中的每个时间步长。这就是错误函数将位于predicted label sequence和actual label sequence之间的原因。

使用return_sequences=False，Dense层将仅在最后一个单元格中应用一次。当RNNs用于分类问题时，通常会出现这种情况。

如果return_sequences=True，则使用Dense层在每个时间步应用，就像TimeDistributedDense一样。

在您的模型中，这两个模型是相同的，但是如果您将第二个模型更改为return_sequences=False，则Dense将仅应用于最后一个单元格。

希望这能有所帮助。祝您学习愉快！

这篇关于seq2seq中的时间分布(密集)与密集的文章就介绍到这了，希望我们推荐的答案对大家有所帮助，也希望大家多多支持IT屋！