`return_sequences = False` 等效于 pytorch LSTM

Question

在tensorflow/keras中，我们可以简单地为classification/fullyconnected/activation(softmax/sigmoid)层之前的最后一个LSTM层设置return_sequences = False来去掉时间维度。

在 PyTorch 中，我没有找到任何类似的东西。对于分类任务，我不需要序列到序列模型，而是像这样的多对一架构：

这是我的简单双 LSTM 模型。

import torch
from torch import nn

class BiLSTMClassifier(nn.Module):
    def __init__(self):
        super(BiLSTMClassifier, self).__init__()
        self.embedding = torch.nn.Embedding(num_embeddings = 65000, embedding_dim = 64)
        self.bilstm = torch.nn.LSTM(input_size = 64, hidden_size = 8, num_layers = 2,
                                    batch_first = True, dropout = 0.2, bidirectional = True)
        # as we have 5 classes
        self.linear = nn.Linear(8*2*512, 5) # last dimension
    def forward(self, x):
        x = self.embedding(x)
        print(x.shape)
        x, _ = self.bilstm(x)
        print(x.shape)
        x = self.linear(x.reshape(x.shape[0], -1))
        print(x.shape)

# create our model

bilstmclassifier = BiLSTMClassifier()

如果我观察每一层之后的形状，

xx = torch.tensor(X_encoded[0]).reshape(1,512)
print(xx.shape) 
# torch.Size([1, 512])
bilstmclassifier(xx)
#torch.Size([1, 512, 64])
#torch.Size([1, 512, 16])
#torch.Size([1, 5])

我该怎么做才能使最后一个 LSTM returns 成为形状为 (1, 16) 而不是 (1, 512, 16) 的张量？

Answer 1

最简单的方法是对张量进行索引：

x = x[:, -1, :]

其中 x 是 RNN 输出。当然，如果 batch_first 是 False，则必须使用 x[-1, :, :]（或只是 x[-1]）来索引时间轴。原来这和 Tensorflow/Keras 做的是一样的。相关代码见K.rnn here:

last_output = tuple(o[-1] for o in outputs)

注意此时的代码使用time_major数据格式，所以索引在第一个轴中。此外，outputs 是一个元组，因为它可以是多层、state/cell 对等，但它通常是所有时间步的输出的序列。

然后在 RNN class 中使用如下：

if self.return_sequences:
    output = K.maybe_convert_to_ragged(is_ragged_input, outputs, row_lengths)
else:
    output = last_output

所以总的来说，我们可以看到 return_sequences=False 只使用了 outputs[-1]。

`return_sequences = False` 等效于 pytorch LSTM

`return_sequences = False` equivalent in pytorch LSTM

nlp

python-3.x

lstm

tensorflow

pytorch