RNN中输出端的sample采样

在Theano中,有如下定义的函数可供sequence to sequence 模型来使用sample功能:

def sample(preds, temperature=1.0):
    # function to sample an index from a probability array
    # temperature = (0, 1.0]
    # https://github.com/fchollet/keras/blob/master/examples/lstm_text_generation.py
    # https://github.com/mosessoh/CNN-LSTM-Caption-Generator/blob/master/utils.py
    # https://docs.scipy.org/doc/numpy/reference/generated/numpy.random.multinomial.html
    preds = tf.log(preds) / temperature
    exp_preds = tf.exp(preds)
    preds = exp_preds / np.sum(exp_preds)
    probas = np.random.multinomial(1, preds, 1)
    return np.argmax(probas)

注意,在Tensorflow中使用的时候,会因为Tensor与numpy Array之别而报错,解决办法如下:

一方面,可以转换Tensor 与numpy array的格式,用上面的函数来实现采样;

另一方面,可以使用

tf.multinomial(logits, num_samples)
函数来实现采样,详见该文http://blog.csdn.net/jasonzzj/article/details/60330286

  • 1
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
在TensorFlow,可以使用`tf.nn.bidirectional_dynamic_rnn()`函数实现双向RNN。该函数的返回值是一个元组,包含两个元素,分别是前向和后向RNN输出。每个输出都是一个张量,形状为`[batch_size, max_time, num_units]`,其`batch_size`是输入的批量大小,`max_time`是输入序列的最大时间步数,`num_units`是RNN单元的数量。需要注意的是,如果在调用`tf.nn.bidirectional_dynamic_rnn()`函数时没有提供`sequence_length`参数,则`max_time`将等于输入序列的最大时间步数,否则将等于`sequence_length`的最大值。 以下是一个使用`tf.nn.bidirectional_dynamic_rnn()`函数实现双向RNN的例子: ```python import tensorflow as tf # 定义输入数据 batch_size = 32 max_time = 10 input_size = 20 inputs = tf.placeholder(tf.float32, [batch_size, max_time, input_size]) # 定义前向和后向RNN的单元数量 num_units = 64 # 定义前向和后向RNN的单元 cell_fw = tf.nn.rnn_cell.BasicLSTMCell(num_units) cell_bw = tf.nn.rnn_cell.BasicLSTMCell(num_units) # 定义双向RNN outputs, states = tf.nn.bidirectional_dynamic_rnn(cell_fw, cell_bw, inputs, dtype=tf.float32) # 输出前向和后向RNN输出 output_fw, output_bw = outputs # 输出前向和后向RNN的状态 state_fw, state_bw = states # 输出前向和后向RNN的最后一个时间步的输出 output_fw_last = output_fw[:, -1, :] output_bw_last = output_bw[:, -1, :] # 输出前向和后向RNN的最后一个时间步的状态 state_fw_last = state_fw[1] state_bw_last = state_bw[1] ```

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值