技术标签: tensorflow nlp rnn 深度学习
tf.nn.bidirectional_dynamic_rnn(
cell_fw,
cell_bw,
inputs,
sequence_length=None,
initial_state_fw=None,
initial_state_bw=None,
dtype=None,
parallel_iterations=None,
swap_memory=False,
time_major=False,
scope=None
)
一个(outputs,output_states)元组,其中:
思想: 利用最后一层的输出(因为最后一层融合了所有的信息) 跟每一层进行相乘得出attention权重,然后利用权重把每一步的结果都加起来得到最终的一个结果
import tensorflow as tf
import numpy as np
tf.reset_default_graph()
# Bi-LSTM(Attention) Parameters
embedding_dim = 2
n_hidden = 5 # number of hidden units in one cell
# 3 words sentences (=sequence_length is 3)
sentences = ["i love you", "he loves me", "she likes baseball", "i hate you", "sorry for that", "this is awful"]
word_list = " ".join(sentences).split()
word_list = list(set(word_list))
word_dict = {
w: i for i, w in enumerate(word_list)}
vocab_size = len(word_dict)
input_batch = []
for sen in sentences:
input_batch.append(np.asarray([word_dict[n] for n in sen.split()]))
target_batch = []
for out in labels:
target_batch.append(np.eye(n_class)[out]) # ONE-HOT : To using Tensor Softmax Loss function
# LSTM Model
X = tf.placeholder(tf.int32, [None, n_step])
Y = tf.placeholder(tf.int32, [None, n_class])
out = tf.Variable(tf.random_normal([n_hidden * 2, n_class]))
embedding = tf.Variable(tf.random_uniform([vocab_size, embedding_dim]))
input = tf.nn.embedding_lookup(embedding, X) # [batch_size, len_seq3, embedding_dim2]
lstm_fw_cell = tf.nn.rnn_cell.LSTMCell(n_hidden) # 5
lstm_bw_cell = tf.nn.rnn_cell.LSTMCell(n_hidden)
# output : [batch_size, len_seq, n_hidden], states : [batch_size, n_hidden]
output, final_state = tf.nn.bidirectional_dynamic_rnn(lstm_fw_cell,lstm_bw_cell, input, dtype=tf.float32)
# Attention
# Training
with tf.Session() as sess:
init = tf.global_variables_initializer()
sess.run(init)
#print(input_batch.shape)
output, final_state = sess.run([output, final_state], feed_dict={
X: input_batch, Y: target_batch})
#print(output.shape())
print("output_fw-----------------------")
print(output[0])
print("output_bw-----------------------")
print(output[1])
print("=-----------------*****************************************------------------=")
print("output_fw_C-----------------------")
print(final_state[0][0])
print("output_fw_H-----------------------")
print(final_state[0][1])
print("output_bw_C-----------------------")
print(final_state[1][0])
print("output_bw_H-----------------------")
print(final_state[1][1])
#结果
output_fw-----------------------
[[[ 0.00394321 -0.02351782 -0.03405523 0.00305696 0.00405202]
[ 0.06117373 -0.08493181 -0.10548183 0.0173593 0.01642234]
[ 0.09302159 -0.14045352 -0.18056425 0.02292664 0.02151979]]
[[ 0.00897689 -0.0114818 -0.01073236 0.0026193 0.00251714]
[-0.01570433 -0.01093796 -0.02816775 -0.00127712 0.00047153]
[ 0.03564881 -0.08152001 -0.12945394 0.01309824 0.01412579]]
[[ 0.0022017 -0.0556691 -0.09676469 0.00533017 0.00813764]
[-0.02163241 -0.03916193 -0.09379555 0.00117761 0.0033054 ]
[-0.02534943 -0.03482693 -0.09665176 0.00129206 0.00241509]]
[[ 0.00394321 -0.02351782 -0.03405523 0.00305696 0.00405202]
[ 0.0251001 -0.04374754 -0.05323521 0.00777274 0.00770803]
[ 0.06088063 -0.10670137 -0.14363492 0.01596653 0.01687609]]
[[-0.02074501 -0.03782491 -0.08010133 0.00106625 0.0042809 ]
[-0.02030762 -0.02580994 -0.06796815 0.00064477 0.00200086]
[ 0.01159763 -0.09142994 -0.1786155 0.01095188 0.01238727]]
[[ 0.03423732 -0.04540066 -0.0511797 0.0099178 0.00961432]
[ 0.03746802 -0.09071141 -0.12944394 0.01133813 0.0131082 ]
[ 0.04090166 -0.07015887 -0.0894173 0.00954981 0.00913159]]]
output_bw-----------------------
[[[ 0.02337044 0.12136219 0.05673089 -0.01224817 0.0593852 ]
[ 0.01874987 0.09703043 0.0713386 -0.05112801 0.09921131]
[ 0.03311865 0.06603951 0.02200164 -0.0013612 0.04199017]]
[[ 0.04622315 0.08167503 -0.02331962 0.02814881 -0.01469414]
[ 0.06475978 0.1021239 -0.02712514 0.05594093 -0.01951348]
[ 0.02701424 0.06634663 0.03368881 -0.01682826 0.05579737]]
[[ 0.17932206 0.11006899 -0.17011283 0.17438392 -0.14428209]
[ 0.13817243 0.08259486 -0.13932668 0.15030426 -0.13008778]
[ 0.06183491 0.04734965 -0.05742453 0.07186026 -0.05271984]]
[[ 0.03479569 0.09810638 0.01812333 0.01501928 0.02510414]
[ 0.02493659 0.08395203 0.03107387 -0.00838013 0.04572592]
[ 0.03311865 0.06603951 0.02200164 -0.0013612 0.04199017]]
[[ 0.16409379 0.1282753 -0.13091424 0.17192362 -0.10831039]
[ 0.09441089 0.10732475 -0.05974932 0.08499315 -0.04574324]
[ 0.06810828 0.07835089 -0.01157835 0.05307872 0.00895631]]
[[ 0.0615179 0.09249893 -0.00614712 0.01541615 0.02442793]
[ 0.07529346 0.07565043 -0.03864583 0.07073426 -0.02094099]
[ 0.01069495 0.01040417 -0.01082753 0.01262293 -0.00998173]]]
=-----------------*****************************************------------------=
output_fw_C-----------------------
[[ 0.18077272 -0.25065544 -0.2970943 0.05401518 0.04332165]
[ 0.0666052 -0.14184129 -0.21055089 0.03050351 0.02707803]
[-0.04982244 -0.06662414 -0.17368984 0.00284229 0.00523079]
[ 0.11556551 -0.18880183 -0.23572075 0.03740995 0.03326564]
[ 0.0214364 -0.15807846 -0.28311607 0.0270236 0.02515054]
[ 0.08471472 -0.13929133 -0.17238948 0.01954564 0.01927523]]
output_fw_H-----------------------
[[ 0.09302159 -0.14045352 -0.18056425 0.02292664 0.02151979]
[ 0.03564881 -0.08152001 -0.12945394 0.01309824 0.01412579]
[-0.02534943 -0.03482693 -0.09665176 0.00129206 0.00241509]
[ 0.06088063 -0.10670137 -0.14363492 0.01596653 0.01687609]
[ 0.01159763 -0.09142994 -0.1786155 0.01095188 0.01238727]
[ 0.04090166 -0.07015887 -0.0894173 0.00954981 0.00913159]]
output_bw_C-----------------------
[[ 0.04923753 0.29065222 0.10612877 -0.02204721 0.12080507]
[ 0.09414361 0.17565773 -0.04700623 0.05542824 -0.02873464]
[ 0.3784477 0.3159748 -0.2940823 0.28821698 -0.27351445]
[ 0.07218795 0.23126517 0.03378158 0.02722929 0.05014303]
[ 0.32902873 0.36530167 -0.22143884 0.27972797 -0.21702379]
[ 0.13681822 0.22507632 -0.01161141 0.02861859 0.04536273]]
output_bw_H-----------------------
[[ 0.02337044 0.12136219 0.05673089 -0.01224817 0.0593852 ]
[ 0.04622315 0.08167503 -0.02331962 0.02814881 -0.01469414]
[ 0.17932206 0.11006899 -0.17011283 0.17438392 -0.14428209]
[ 0.03479569 0.09810638 0.01812333 0.01501928 0.02510414]
[ 0.16409379 0.1282753 -0.13091424 0.17192362 -0.10831039]
[ 0.0615179 0.09249893 -0.00614712 0.01541615 0.02442793]]
文章浏览阅读521次。来自:http://blog.51cto.com/simeon/1981572作者介绍陈小兵,高级工程师,具有丰富的信息系统项目经验及18年以上网络安全经验,现主要从事网络安全及数据库技术研究工作。《黑客攻防及实战案例解析》《Web渗透及实战案例解析》《安全之路-Web渗透及实战案例解析第二版》《黑客攻防实战加密与解密》《网络攻防实战研究:漏洞利用与提权》作者,在国内多本学术期..._mysql 5.0.16入侵
文章浏览阅读135次。https://learn.microsoft.com/zh-cn/sql/ssms/release-notes-ssms?view=sql-server-ver16#previous-ssms-releases_sql server历史版本哪儿下
文章浏览阅读2.5k次。简介自学的【狂神JAVA】MyBatis分享自写源码和笔记,希望对大家有帮助本人配置jdk13.0.2 (jdk1.7以上均可)Maven 3.6.3MySQL 5.7.23 (mysql5.6以上均可)1. 配置官网文档: https://mybatis.org/mybatis-3/zh/getting-started.htmlpom.xml<?xml version="1.0" encoding="UTF-8"?><project xmlns="http://_jdk1.7的mybatis
文章浏览阅读913次。调度中心的代码启动源码是从:XxlJobAdminConfig 入口;直接进入: xxlJobScheduler.init();第一个: initI18n() 处理国际化;第二个:JobRegistryMonitorHelper.getInstance().start(); 创建启动后台线程来维护在线的执行器组下的机器列表,从上篇学习笔记—分布式调度之xxlJob执行器的启动源码解析可以..._xxl 调度失败:执行器地址为空
文章浏览阅读1.3w次,点赞3次,收藏72次。之前贴出了代码,但是源码已经找不到了;鉴于很多同学私信想要参考,找时间重新写了一个工程一、参考代码1.不方便下载的同学可以参考贴出来的源代码链接:RS485二、基本知识1.RS485通信讲解:读30001、30002两个寄存器,假设从机地址为1上位机(主机)发送下行报文:01 03 00 03 00 02 34 0B从机地址功能码寄存器起始地址读取寄存器个数CRC校验010300 0300 0285 ca010300 0400 0285 ca上_485代码
文章浏览阅读1k次。http://www.sina.com.cn 2005年04月07日 11:19 新浪科技 文/李开复 人才:微软的立业之本 微软公司把重视人才的管理理念视为公司的核心财富。在信息时代里,人才的价值尤为重要。在工业时代里,一个优秀技工和一个普通技工的效率差异可能是30%,但在信息时代里,一个高级程序员和一个普通程序员的效率差异可能高达10倍以上。 ad1= "打造校_在微软许多人都像我一样主动从事发现人才、跟踪人才和吸引人才的工作....
文章浏览阅读2k次,点赞4次,收藏25次。(visual studio 2019可运行)输入及输出要求见《数据结构C语言(第二版)》严蔚敏版【本文仅用于啥都看不懂还想交作业选手】#include<iostream>#include<map>#include<string>#include<stdio.h>#include<memory.h>using namespace std;typedef struct{ char c; int weight; in_基于哈夫曼树的数据压缩算法c语言
文章浏览阅读1w次。Teams Bot App 代码解析_adaptivecards.declare(rawlearncard).render(this.likecountobj)
文章浏览阅读2.5k次。RawImage(Script)Texture 纹理 要显示的图片,注意:图片类型可以是任何类型 Color 颜色 图片的主颜色 Material 材质 渲染材质 Raycast Target 光线投射目标 是否可接收射线碰撞事件检测 UV Rect UV矩形 显示效果:X、Y属性用于控制纹理左右..._unity原始图像
文章浏览阅读2k次。随着互联网应用的复杂性增加,越来越多的公司选择使用微服务架构模式进行应用开发,将单体应用拆分成多个小型服务,每个服务部署在不同的服务器上。同时,为了提升系统的可用性、容错性和可扩展性,需要考虑分布式事务问题。本文将介绍 Spring Boot 在分布式事务中的一些实现方案,并给出相关原理。
文章浏览阅读2.8k次,点赞12次,收藏90次。权当学习笔记吧_黑马微信小程序笔记
采用Spring Boot框架进行后端开发,结合前端技术(如Vue.js、React等)进行页面设计,数据库采用MySQL进行数据存储,确保系统的稳定性和性能。本项目旨在设计并实现一个基于Spring Boot的旅游网站,为用户提供便捷的旅游信息查询、预订服务,以及旅游资讯分享功能,提升用户旅游体验。通过市场调研和用户需求分析,了解用户对旅游网站的需求和偏好,明确系统的功能和特点,确保系统能够满足用户的旅游需求。进行全面的系统测试,包括功能测试、性能测试、安全性测试和用户体验测试,确保系统的质量和可靠性。