在Keras中，何时在调用model.predict中重置LSTM状态?

Question

模型的第一层是LSTM。

调用model时。预测说你传递了几个样本:

>sam = np.array([ [[.5, .6, .3]], [[.6, .6, .3]], [[.5, .6, .3]] ])
>model.predict(sam)
array([[ 0.23589483],
       [ 0.2327884 ],
       [ 0.23589483]])

上面我们看到映射:[[。5， .6， .3]] -> 0.23589483等(1个元素的序列，它是一个长度为3的向量，被映射到实数)

模型的input_length为1,input_dim为3。注意，第一个和最后一个是相同的，并且具有相同的输出(0.23589483)。所以我的假设是，在Keras处理一个样本(在本例中是一个3-D向量序列)之后，它重置了模型的内存。每个序列基本上是独立的。这种观点有什么不正确或误导的地方吗?

再举一个input_length为3,input_dim为1的例子。这一次，切换序列中的值并看到不同的结果(将第二个列表与最后一个列表进行比较)。因此，随着Keras处理序列，内存会发生变化，但完成处理后，内存会重置(第一个和第二个序列具有相同的结果)。

sam = np.array([ [[.1],[.1],[.9]], [[.1],[.9],[.1]], [[.1],[.1],[.9]]   ])
model.predict(sam)
array([[ 0.69906837],
   [ 0.1454899 ],
   [ 0.69906837]])

上面我们看到映射[[.1]，[.1]，[. 1]。[9]] -> 0.69906837等(3个元素的实数序列)

Answer 1

我知道这是一个老问题，但希望这个答案可以帮助像我一样的其他Keras初学者。

我在我的机器上运行这个例子，观察到LSTM的隐藏状态和单元状态确实随着调用model.predict而改变。

import numpy as np
import keras.backend as K
from keras.models import Model
from keras.layers import LSTM
batch_size = 1
timestep_size = 2
num_features = 4
inputs = Input(batch_shape=(batch_size, timestep_size, num_features)
x = LSTM(num_features, stateful=True)(inputs)
model = Model(inputs=inputs, outputs=x)
model.compile(loss="mse",
              optimizer="rmsprop",
              metrics=["accuracy"])
x = np.random.randint((10,2,4))
y = np.ones((10,4))
model.fit(x,y, epochs=100, batch_size=1)
def get_internal_state(model):
    # get the internal state of the LSTM
    # see https://github.com/fchollet/keras/issues/218
    h, c = [K.get_value(s) for s, _ in model.state_updates]
    return h, c
print "After fitting:", get_internal_state(model)
for i in range(3):
    x = np.random.randint((10,2,4))
    model.predict(x)
    print "After predict:", get_internal_state(model)

下面是训练后对get_internal_state调用的输出示例:

After_fitting: (array([[ 1.,  1.,  1.,  1.]], dtype=float32), array([[  11.33725166,   11.8036108 ,  181.75688171,   25.50110626]], dtype=float32))
After predict (array([[ 1.        ,  0.99999994,  1.        ,  1.        ]], dtype=float32), array([[   9.26870918,    8.83847237,  179.92633057,   28.89341927]], dtype=float32))
After predict (array([[ 0.99999571,  0.9992013 ,  1.        ,  0.9915328 ]], dtype=float32), array([[   6.5174489 ,    8.55165958,  171.42166138,   25.49199104]], dtype=float32))
After predict (array([[ 1.,  1.,  1.,  1.]], dtype=float32), array([[   9.78496075,    9.27927303,  169.95401001,   28.74017715]], dtype=float32))

Answer 2

你正在调用model.predict()，这意味着网络的权重在处理输入时不会改变，所以当你输入[[.1],[.1],[.9]]时，它将始终产生相同的结果，无论其他输入在两者之间接收到什么。注意，当您训练模型并预测测试数据时，这是首选的行为。您不希望其他您提供的测试数据影响您的预测。

你所期望的效果在model.fit()中可以看到，例如，你可以使用model.train_on_batch()来训练输入(并更新模型权重)，然后调用model.predict()来查看输出的变化。

EDIT:如果你寻找LSTM的状态而不是网络的权重，你应该将stateful=True传递给layer的init，它默认设置为False。当使用stateful时，你也必须传递batch_input_shape参数。更多信息请看这里。请注意，如果您希望每个输入影响下一个预测，您必须将批大小设置为1(例如batch_input_shape=(1,3,1))，因为评估是并行地对批中的样本进行的，它们不会相互影响。