tensorflow中mask

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

  • 1
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
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