問題描述
我在用Keras的Embedding層做nlp相關(guān)的實(shí)現(xiàn)時(shí)，發(fā)現(xiàn)了一個(gè)神奇的問題，先上代碼：
|
1
2
3
4
5
6
7
8
|
a = Input(shape=[15]) # None*15b = Input(shape=[30]) # None*30emb_a = Embedding(10, 5, mask_zero=True)(a) # None*15*5emb_b = Embedding(20, 5, mask_zero=False)(b) # None*30*5cat = Concatenate(axis=1)([emb_a, emb_b]) # None*45*5model = Model(inputs=[a, b], outputs=[cat])print model.summary() |
我有兩個(gè)Embedding層，當(dāng)其中一個(gè)設(shè)置mask_zero=True，而另一個(gè)為False時(shí)，會(huì)報(bào)如下錯(cuò)誤。
ValueError: Dimension 0 in both shapes must be equal, but are 1 and 5.
Shapes are [1] and [5]. for 'concatenate_1/concat_1' (op: 'ConcatV2')
with input shapes: [?,15,1], [?,30,5], [] and with computed input tensors: input[2] = <1>.
什么意思呢？是說在concatenate時(shí)發(fā)現(xiàn)兩個(gè)矩陣的第三維一個(gè)是1，一個(gè)是5，這就很神奇了，加了個(gè)mask_zero=True還會(huì)改變矩陣維度的嗎？
尋找問題根源
為了檢驗(yàn)Embedding層輸出的正確性，我把代碼改成了：
|
1
2
3
|
a = Input(shape=[30]) ...cat = Concatenate(axis=2)([emb_a, emb_b]) |
運(yùn)行成功了，并且summary顯示兩個(gè)Embedding層輸出矩陣的第三維都是5。
這就很奇怪了，明明沒有改變維度，為什么會(huì)報(bào)那樣的錯(cuò)誤？
然后我仔細(xì)追溯了一下前面的各項(xiàng)error，發(fā)現(xiàn)這么一句：
File ".../keras/layers/merge.py", line 374, in compute_mask
concatenated = K.concatenate(masks, axis=self.axis)
難道是mask的拼接有問題？
于是我修改了/keras/layers/merge.py里的Concatenate類的compute_mask函數(shù)（sudo vim就可以修改），在返回前輸出一下masks：
|
1
2
3
4
5
|
def compute_mask(self, inputs, mask=None): ... for x in masks: print x return ... |
Tensor("concatenate_1/ExpandDims:0", shape=(?, 30, 1), dtype=bool)
Tensor("concatenate_1/Cast:0", shape=(?, 30, 5), dtype=bool)
發(fā)現(xiàn)了！有一個(gè)叫concatenate_1/ExpandDims:0的mask它的第三維度是1！
那么這個(gè)ExpandDims是什么鬼，觀察一下compute_mask代碼，發(fā)現(xiàn)了：
|
1
2
3
4
5
|
...elif K.ndim(mask_i) < K.ndim(input_i): # Mask is smaller than the input, expand it masks.append(K.expand_dims(mask_i))... |
意思是當(dāng)mask_i的維度比input_i的維度小時(shí)，擴(kuò)展一維，這下知道第三維的1是怎么來的了，那么可以預(yù)計(jì)compute_mask函數(shù)輸入的mask尺寸應(yīng)該是(None, 30)，輸出一下試試：
|
1
2
3
|
def compute_mask(self, inputs, mask=None): print mask ... |
[<tf.Tensor 'embedding_1/NotEqual:0' shape=(?, 30) dtype=bool>, None]
果然如此，總結(jié)一下問題的所在：
Embedding層的輸出會(huì)比輸入多一維，但Embedding生成的mask的維度與輸入一致。在Concatenate中，沒有mask的Embedding輸出被分配一個(gè)與該輸出相同維度的全1的mask，比有mask的Embedding的mask多一維。
提出解決方案
那么，Embedding層的mask到底是如何起作用的呢？是直接在Embedding層中起作用，還是在后續(xù)的層中起作用呢？縱觀embeddings.py，mask_zero只在compute_mask函數(shù)被用到：
|
1
2
3
4
5
|
def compute_mask(self, inputs, mask=None): if not self.mask_zero: return None else: return K.not_equal(inputs, 0) |
可見，Embedding層的mask是記錄了Embedding輸入中非零元素的位置，并且傳給后面的支持masking的層，在后面的層里起作用。
一種最簡單的解決方案：
給所有參與Concatenate的Embedding層都設(shè)置mask_zero=True。
但是，我想到了一種更靈活的解決方案：
修改embedding.py的compute_mask函數(shù)，使得輸出的mask從2維變成3維，且第三維等于output_dim。
|
1
2
3
4
5
6
7
8
9
10
|
import tensorflow as tf...def compute_mask(self, inputs, mask=None): if not self.mask_zero: return None else: mask = K.repeat(K.not_equal(inputs, 0), self.output_dim) # [?,output_dim,n] mask = tf.transpose(mask, [0,2,1]) # [?,n,output_dim] return mask... |
驗(yàn)證解決方案
為了驗(yàn)證這個(gè)改動(dòng)是否正確，我需要設(shè)計(jì)幾個(gè)小實(shí)驗(yàn)。
實(shí)驗(yàn)一：mask的正確性
我把輸出的mask做了改動(dòng)，不知道m(xù)ask是否是正確的。
如下所示，數(shù)據(jù)是一個(gè)帶有3個(gè)樣本、樣本長度最長為3的補(bǔ)零padding過的矩陣，我分別讓Embedding層的mask_zero為False和True（為True時(shí)input_dim=|va|+2所以是5）。然后分別將Embedding的輸出在axis=1用MySumLayer進(jìn)行求和。為了方便觀察，我用keras.initializers.ones()把Embedding層的權(quán)值全部初始化為1。
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
|
# datadata = np.array([[1,0,0], [1,2,0], [1,2,3]])init = keras.initializers.ones()# networka = Input(shape=[3]) # None*3emb1 = Embedding(4, 5, embeddings_initializer=init, mask_zero=False)(a) # None*3*5emb2 = Embedding(5, 5, embeddings_initializer=init, mask_zero=True)(a) # None*3*5sum1 = MySumLayer(axis=1)(emb1) # None*5sum2 = MySumLayer(axis=1)(emb2) # None*5model = Model(inputs=[a], outputs=[sum1, sum2])# predicitonout = model.predict(data)for x in out: print x |
結(jié)果如下：
|
1
2
3
4
5
6
7
|
[[3. 3. 3. 3. 3.] [3. 3. 3. 3. 3.] [3. 3. 3. 3. 3.]][[1. 1. 1. 1. 1.] [2. 2. 2. 2. 2.] [3. 3. 3. 3. 3.]] |
這個(gè)結(jié)果是正確的，這里解釋一波：
（1）當(dāng)mask_True=False時(shí)，輸入矩陣中的0也會(huì)被認(rèn)為是正確的index，從而從權(quán)值矩陣中抽出第0行作為該index的Embedding，而我的權(quán)值都是1，因此所有Embedding都是1，對(duì)axis=1求和，實(shí)際上是對(duì)word length這一軸求和，輸入的word length最長為3，以致于輸出矩陣的元素都是3.
（2）當(dāng)mask_True=True時(shí)，輸入矩陣中的0會(huì)被mask掉，而這個(gè)mask的操作是體現(xiàn)在MySumLayer中的，將輸入(3, 3, 5)與mask(3, 3, 5)逐元素相乘，再相加。第一個(gè)樣本只有一項(xiàng)非零，第二個(gè)有兩項(xiàng)，第三個(gè)三項(xiàng)，因此MySumLayer輸出的矩陣，各行元素分別是1，2，3.
另外附上MySumLayer的代碼，它的功能是指定一個(gè)axis將Tensor進(jìn)行求和：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
|
from keras import backend as Kfrom keras.engine.topology import Layerimport tensorflow as tfclass MySumLayer(Layer): def __init__(self, axis, **kwargs): self.supports_masking = True self.axis = axis super(MySumLayer, self).__init__(**kwargs) def compute_mask(self, input, input_mask=None): # do not pass the mask to the next layers return None def call(self, x, mask=None): if mask is not None: # mask (batch, time) mask = K.cast(mask, K.floatx()) if K.ndim(x)!=K.ndim(mask): mask = K.repeat(mask, x.shape[-1]) mask = tf.transpose(mask, [0,2,1]) x = x * mask return K.sum(x, axis=self.axis) else: return K.sum(x, axis=self.axis) def compute_output_shape(self, input_shape): # remove temporal dimension if self.axis==1: return input_shape[0], input_shape[2] if self.axis==2: return input_shape[0], input_shape[1] |
實(shí)驗(yàn)二：一個(gè)mask_zero=True和一個(gè)mask_zero=False的Embedding是否能夠拼接
|
1
2
3
4
5
6
7
8
|
a = Input(shape=[3]) # None*3b = Input(shape=[4]) # None*4emba = Embedding(4, 5, embeddings_initializer=init, mask_zero=False)(a) # None*3*5embb = Embedding(6, 5, embeddings_initializer=init, mask_zero=True)(b) # None*4*5cat = Concatenate(axis=1)([emba, embb]) # None*7*5model = Model(inputs=[a,b], outputs=[cat])print model.summary() |
沒有報(bào)錯(cuò)！而且輸出的shape正是(None, 7, 5)。
實(shí)驗(yàn)三：兩個(gè)mask_zero=True的Embedding拼接是否會(huì)報(bào)錯(cuò)
|
1
2
3
4
5
6
7
8
|
a = Input(shape=[3]) # None*3b = Input(shape=[4]) # None*4emba = Embedding(4, 5, embeddings_initializer=init, mask_zero=True)(a) # None*3*5embb = Embedding(6, 5, embeddings_initializer=init, mask_zero=True)(b) # None*4*5cat = Concatenate(axis=1)([emba, embb]) # None*7*5model = Model(inputs=[a,b], outputs=[cat])print model.summary() |
沒有報(bào)錯(cuò)！
實(shí)驗(yàn)四：兩個(gè)mask_zero=True的Embedding拼接結(jié)果是否正確
如下所示，第一個(gè)矩陣是一個(gè)帶有4個(gè)樣本、樣本長度最長為3的補(bǔ)零padding過的矩陣，第二個(gè)矩陣是一個(gè)帶有4個(gè)樣本、樣本長度最長為4的補(bǔ)零padding過的矩陣。為什么這里要求樣本個(gè)數(shù)一致呢，因?yàn)橐话銇碚f需要這種拼接操作的都是同一批樣本的不同特征。兩者的Embedding都設(shè)置mask_zero=True，在axis=1拼接后，用MySumLayer在axis=1加起來。
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
|
# datadata1 = np.array([[1,0,0], [1,2,0], [1,2,3], [1,2,3]])data2 = np.array([[1,0,0,0], [1,2,0,0], [1,2,3,0], [1,2,3,4]])init = keras.initializers.ones()# networka = Input(shape=[3]) # None*3b = Input(shape=[4]) # None*4emba = Embedding(4, 5, embeddings_initializer=init, mask_zero=True)(a) # None*3*5embb = Embedding(6, 5, embeddings_initializer=init, mask_zero=True)(b) # None*3*5cat = Concatenate(axis=1)([emba, embb])su = MySumLayer(axis=1)(cat)model = Model(inputs=[a,b], outputs=[su])# predictionprint model.predict([data1, data2]) |
輸出如下
|
1
2
3
4
|
[[2. 2. 2. 2. 2.] [4. 4. 4. 4. 4.] [6. 6. 6. 6. 6.] [7. 7. 7. 7. 7.]] |
這個(gè)結(jié)果是正確的，解釋一波，其實(shí)兩個(gè)矩陣橫向拼接起來是下面這樣的，4個(gè)樣本分別有2、4、6、7個(gè)非零index，而Embedding層權(quán)值都是1，所以最終輸出的就是上面這個(gè)樣子。
|
1
2
3
4
5
|
# index1 0 0 1 0 0 01 2 0 1 2 0 01 2 3 1 2 3 01 2 3 1 2 3 4 |
至此，問題成功解決了。
以上這篇解決Keras中Embedding層masking與Concatenate層不可調(diào)和的問題就是小編分享給大家的全部內(nèi)容了，希望能給大家一個(gè)參考，也希望大家多多支持服務(wù)器之家。
原文鏈接：https://blog.csdn.net/songbinxu/article/details/80242211
