我有一个 RNN,堆叠在 CNN 之上。 CNN 是单独创建和训练的。为了澄清问题,我们假设 CNN 以 [BATCH SIZE, H, W, C] 占位符的形式获取输入(H = 高度,W = 宽度,C = 通道数)。
现在,当堆叠在 RNN 之上时,组合网络的整体输入将具有以下形状:[BATCH SIZE, TIME SEQUENCE, H, W, C],即小批量中的每个样本都由 TIME_SEQUENCE 许多图像组成。此外,时间序列的长度是可变的。有一个名为
sequence_lengths
的单独占位符,其形状为 [BATCH SIZE],其中包含与小批量中每个样本的长度相对应的标量值。 TIME SEQUENCE 的值对应于最大可能的时间序列长度,对于长度较小的样本,其余值用零填充。
我想做的事
我想将 CNN 的输出累积为形状为 [BATCH SIZE, TIME SEQUENCE, 1] 的张量(最后一个维度仅包含 CNN 对于每个批次元素的每个时间样本输出的最终分数),以便我可以将整个信息块转发到堆叠在 CNN 之上的 RNN。棘手的是,我还希望能够将误差从 RNN 反向传播到 CNN(CNN 已经经过预训练,但我想稍微微调权重),所以我必须留在图表内,即我无法拨打任何电话
session.run()
。
选项A: 最简单的方法是将整个网络输入张量重塑为 [BATCH SIZE * TIME SEQUENCE, H, W, C]。这样做的问题是 BATCH SIZE * TIME SEQUENCE 可能会大到 2000,所以当我尝试将这么大的批次输入到 CNN 中时,内存肯定会耗尽。而且批量大小对于训练来说太大了。另外,很多序列只是填充零,这会浪费计算。
选项B: 使用
tf.while_loop
。我的想法是将单个小批量元素沿时间轴的所有图像视为 CNN 的小批量。本质上,CNN 将在每次迭代时处理大小为 [TIME SEQUENCE, H, W, C] 的批次(不完全是每次迭代许多图像的 TIME SEQUENCE;确切的数量取决于序列长度)。我现在的代码如下所示:
# The output tensor that I want populated
image_output_sequence = tf.Variable(tf.zeros([batch_size, max_sequence_length, 1], tf.float32))
# Counter for the loop. I'll process one batch element per iteration.
# One batch element contains a variable number of images for each time step. All these images will form a minibatch for the CNN.
loop_counter = tf.get_variable('loop_counter', dtype=tf.int32, initializer=0)
# Loop variables that will be passed to the body and cond methods
loop_vars = [input_image_sequence, sequence_lengths, image_output_sequence, loop_counter]
# input_image_sequence: [BATCH SIZE, TIME SEQUENCE, H, W, C]
# sequence_lengths: [BATCH SIZE]
# image_output_sequence: [BATCH SIZE, TIME SEQUENCE, 1]
# abbreviations for vars in loop_vars:
# iis --> input_image_sequence
# sl --> sequence_lengths
# ios --> image_output_sequence
# lc --> loop_counter
def cond(iis, sl, ios, lc):
return tf.less(lc, batch_size)
def body(iis, sl, ios, lc):
seq_len = sl[lc] # the sequence length of the current batch element
cnn_input_batch = iis[lc, :seq_len] # extract the relevant portion (the rest are just padded zeros)
# propagate this 'batch' through the CNN
my_cnn_model.process_input(cnn_input_batch)
# Pad the remaining indices
padding = [[0, 0], [0, batch_size - seq_len]]
padded_cnn_output = tf.pad(cnn_input_batch_features, paddings=padding, mode='CONSTANT', constant_values=0)
# The problematic part: assign these processed values to the output tensor
ios[lc].assign(padded_cnn_features)
return [iis, sl, ios, lc + 1]
_, _, result, _ = tf.while_loop(cond, body, loop_vars, swap_memory=True)
在
my_cnn_model.process_input
内部,我只是通过普通 CNN 传递输入。其中创建的所有变量都带有 tf.AUTO_REUSE
,因此应确保 while 循环对所有循环迭代重用相同的权重。
确切的问题
image_output_sequence
是一个变量,但是当tf.while_loop
调用body
方法时,它会变成一个无法进行赋值的Tensor类型对象。我收到错误消息:Sliced assignment is only supported for variables
即使我使用另一种格式,例如使用每个尺寸为 [TIME SEQUENCE, H, W, C] 的 BATCH SIZE 张量的元组,这个问题仍然存在。
我也愿意对代码进行彻底的重新设计,只要它能很好地完成工作。
解决方案是使用
TensorArray
类型的对象,它是专门为解决此类问题而设计的。以下行:
image_output_sequence = tf.Variable(tf.zeros([batch_size, max_sequence_length, 1], tf.float32))
替换为:
image_output_sequence = tf.TensorArray(size=batch_size, dtype=tf.float32, element_shape=[max_sequence_length, 1], infer_shape=True)
TensorArray
实际上并不要求每个元素都有固定的形状,但对于我的情况来说它是固定的,所以最好强制执行它。
然后在
body
函数中,替换:
ios[lc].assign(padded_cnn_features)
与:
ios = ios.write(lc, padded_cnn_output)
然后在
tf.while_loop
语句之后,可以将TensorArray
堆叠起来,形成规则的Tensor
,以便进一步处理:
stacked_tensor = result.stack()