tensorflow中mask

最新推荐文章于 2024-07-24 14:19:40 发布

小妖精Fsky

最新推荐文章于 2024-07-24 14:19:40 发布

阅读量1w

点赞数 1

分类专栏： TensorFlow

本文链接：https://blog.csdn.net/appleml/article/details/56675152

版权

在训练LSTM时，面对不同长度的输入序列，通常需要填充到固定长度。在TensorFlow中，可以通过添加“NUL”符号来实现。然而，这可能导致模型学习到填充符号的行为，影响泛化能力。解决办法是在计算成本时应用Mask，忽略填充部分。在序列到序列模型中，可以找到许多这样的例子，如TensorFlow官方的seq2seq教程中所介绍的‘bucketing and padding’。

摘要由CSDN通过智能技术生成

    #loss的shape=[batch,num_step],seqlen的shape = [batch]
    def mask(self, loss, seqlen): 
        mask = tf.sequence_mask(seqlen, maxlen=config.num_steps, dtype=tf.int32)
        clear_loss = np.sum(loss * mask) / np.sum(mask)
        return clear_loss

该段代码的实现是受下面问答的启发：

Question：
Hi,

Say I want to train some LSTM unit, and my training data has variable lengths with a maximum length of say, 30.
What is the right thing to do?

In TF we cannot dynamically create a computation graph of varied lengths, so the number of LSTM unrolling is fixed.
So do we have to pad everything to have a length of 30?

Let’s say