1、tensorflow（不定長）文本序列讀取與解析

tensorflow讀取csv時需要指定各列的數(shù)據(jù)類型。

但是對于RNN這種接受序列輸入的模型來說，一條序列的長度是不固定。這時如果使用csv存儲序列數(shù)據(jù)，應當首先將特征序列拼接成一列。

例如兩條數(shù)據(jù)序列，第一項是標簽，之后是特征序列

[0, 1.1, 1.2, 2.3] 轉(zhuǎn)換成 [0, '1.1_1.2_2.3']

[1, 1.0, 2.5, 1.6, 3.2, 4.5] 轉(zhuǎn)換成 [1, '1.0_2.5_1.6_3.2_4.5']

這樣每條數(shù)據(jù)都只包含固定兩列了。

讀取方式是指定第二列為字符串類型，再將字符串按照'_'分割并轉(zhuǎn)換為數(shù)字。

關鍵的幾行代碼示例如下：

def readMyFileFormat(fileNameQueue):
    reader = tf.TextLineReader()
    key, value = reader.read(fileNameQueue)

    record_defaults = [["Null"], [-1], ["Null"], ["Null"], [-1]]
    phone1, seqlen, ts_diff_strseq, t_cod_strseq, userlabel = tf.decode_csv(value, record_defaults=record_defaults)
    ts_diff_str = tf.string_split([ts_diff_strseq], delimiter='_')
    t_cod_str = tf.string_split([t_cod_strseq], delimiter='_')
    # 每個字符串轉(zhuǎn)數(shù)字
    Str2Float = lambda string: tf.string_to_number(string, tf.float32)
    Str2Int = lambda string: tf.string_to_number(string, tf.int32)
    ts_diff_seq = tf.map_fn(Str2Float, ts_diff_str.values, dtype = tf.float32) # 一定要加上dtype，且必須與fn的輸出類型一致
    t_cod_seq = tf.map_fn(Str2Int, t_cod_str.values, dtype = tf.int32)

2、時序建模的序列預測、序列擬合、標簽預測，及輸入數(shù)據(jù)格式

序列預測、擬合的“標簽”都是序列本身，區(qū)別是未來時刻或者是當前時刻，當前時刻的擬合任務類似于antoencoder的reconstruction

標簽預測常見于語言學建模，有單詞級標簽的分詞與整句標簽的情感分析，前者需要對每一個單詞輸入都要輸出其分詞標識，后者是取最后若干輸出級聯(lián)前饋神經(jīng)網(wǎng)絡分類器

keras的輸入-輸出對：需要將序列拆分成多個片段

序列形式：

按時間列表：static_bidirectional_rnn

多維數(shù)組：bidirectional_dynamic_rnn與stack_bidirectional_dynamic_rnn 變長雙向rnn的正確使用姿勢

3、多任務設置及相應的輸出向量劃分

對于標簽預測任務，按需取輸出即可

對于序列預測、擬合：

雙向lstm：通常用于擬合。但如果需要捕捉動態(tài)信息，盡管需要序列完整輸入，則仍可以加上正向預測與反向預測

單向lstm：擬合與預測

4、zero padding

后一般需要通過tf.boolean_mask()隔離這些零的影響，函數(shù)輸入包括數(shù)據(jù)矩陣和補零位置的指示矩陣。

5、get_shape()方法

與 tf.shape() 類型區(qū)別，前者得到一個list，后者得到一個tensor

6、雙向LSTM的信息瓶頸的解決

如果在時間步的最后輸出，則可能會導致開始的一些字符被遺忘門給遺忘。

所以這里就對每個時間步的輸出做出了處理，

主要處理有：

1、拼接：把所有的輸出拼接在一起。

2、Average

3、Pooling

以上為個人經(jīng)驗，希望能給大家一個參考，也希望大家多多支持腳本之家。

最新評論