1、tensorflow（不定長(zhǎng)）文本序列讀取與解析

tensorflow讀取csv時(shí)需要指定各列的數(shù)據(jù)類(lèi)型。

但是對(duì)于RNN這種接受序列輸入的模型來(lái)說(shuō)，一條序列的長(zhǎng)度是不固定。這時(shí)如果使用csv存儲(chǔ)序列數(shù)據(jù)，應(yīng)當(dāng)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(xiàng)是標(biāo)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(lèi)型，再將字符串按照'_'分割并轉(zhuǎn)換為數(shù)字。

關(guān)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(gè)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(lèi)型一致
    t_cod_seq = tf.map_fn(Str2Int, t_cod_str.values, dtype = tf.int32)

2、時(shí)序建模的序列預(yù)測(cè)、序列擬合、標(biāo)簽預(yù)測(cè)，及輸入數(shù)據(jù)格式

序列預(yù)測(cè)、擬合的“標(biāo)簽”都是序列本身，區(qū)別是未來(lái)時(shí)刻或者是當(dāng)前時(shí)刻，當(dāng)前時(shí)刻的擬合任務(wù)類(lèi)似于antoencoder的reconstruction

標(biāo)簽預(yù)測(cè)常見(jiàn)于語(yǔ)言學(xué)建模，有單詞級(jí)標(biāo)簽的分詞與整句標(biāo)簽的情感分析，前者需要對(duì)每一個(gè)單詞輸入都要輸出其分詞標(biāo)識(shí)，后者是取最后若干輸出級(jí)聯(lián)前饋神經(jīng)網(wǎng)絡(luò)分類(lèi)器

keras的輸入-輸出對(duì)：需要將序列拆分成多個(gè)片段

序列形式：

按時(shí)間列表：static_bidirectional_rnn

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

3、多任務(wù)設(shè)置及相應(yīng)的輸出向量劃分

對(duì)于標(biāo)簽預(yù)測(cè)任務(wù)，按需取輸出即可

對(duì)于序列預(yù)測(cè)、擬合：

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

單向lstm：擬合與預(yù)測(cè)

4、zero padding

后一般需要通過(guò)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(bǔ)零位置的指示矩陣。

5、get_shape()方法

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

6、雙向LSTM的信息瓶頸的解決

如果在時(shí)間步的最后輸出，則可能會(huì)導(dǎo)致開(kāi)始的一些字符被遺忘門(mén)給遺忘。

所以這里就對(duì)每個(gè)時(shí)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(gè)人經(jīng)驗(yàn)，希望能給大家一個(gè)參考，也希望大家多多支持腳本之家。