关于 initial_fn,sample_fn,next_inputs_fn 三个函数的介绍 求助

[bringtree]

我理解的attention。这样理解对吗？

Kevin Chan 能简单介绍下这三个函数的用处吗? 我对 helper 这块的代码看不懂。

另外 谢谢你昨天的回复

你好，Kevin Chan 大佬。 我想知道 T B D 是代表什么意思？ 谢谢了

你好， 分别代表Time_step, Batch_size, Hidden_size。 不要叫大佬，一起交流哈。 另外有问题直接在github上发issue，我会尽快回答。

[bringtree]

initialize_fn：返回finished，next_inputs。其中finished不是scala，是一个一维向量。这个函数即获取第一个时间节点的输入。
sample_fn：接收参数(time, outputs, state) 返回sample_ids。即，根据每个cell的输出，如何sample。
next_inputs_fn：接收参数(time, outputs, state, sample_ids) 返回 (finished, next_inputs, next_state)，根据上一个时刻的输出，决定下一个时刻的输入。

这个sample_ids 是什么意思

[bringtree]

next_inputs_fn 中的embedding 是要用来做什么的？ 还有 sample_fn是要？

[bringtree]

代码中好多.keys() 使得代码生成字典的时间变长了好多。其实直接 in就好了 不用keys会快， 加了keys()反而变成了不是hash查找了。

[applenob]

decoder的output是每个词的概率,具体要生成哪个词,可以采用不同的策略.直接选择概率最大的,就是greedy,还可以用beam search的策略,可以了解下。decoder中把每一个时刻产生的输出重新embedding，作为下一个时刻的输入之一。至于你说的keys()问题，谢谢指出，有时间我会修改下。

[bringtree]

大佬看下图 我的流程有没有错

[bringtree]

@applenob 如果 解码 那块 每次都要embedding ，那是不是意味着 我embedding 不能换成w2v向量了？

[zldeng]

@applenob 有个问题很迷惑，麻烦帮助解答一下。 1、在CustomHelper的三个方法中，我的理解initial_fn定义decode的初始输入状态，sample_fn方法根据当前step的rnn cell的outputs确定该step的最终输出，next_inputs_fn根据当前step的相关信息确定下一个step的输入。 2、在每一个step，rnn cell的输出shape为(?, 16, 122)，其中第一维等于设定的decode_step大小，最后一维大小与slot的词表大小一致，我的理解最后一维是当前step输出每个slot的概率，根据概率即可获取到当前step的对应的slot的值，不知是否有问题。 3、在next_inputs_fn方法中，请问参数sample_ids表示的是什么呢，是sample_fn返回的值也就是当前step的输出对应的slot的id吗？在您的代码中下一个step的输入包括根据sample_ids获取的embedding，那么这个sample_ids应该是词表的id才对，和前面的假设就矛盾了。如果这个sample_ids是表示word的id，那么这个word是如何确定的呢？ 以上问题还请帮助解答，谢谢！

[bringtree]

@zldeng 我看到文档 是这样子写的 sample_fn: callable that takes (time, outputs, state) and emits tensor sample_ids. 也就是 那个 sample_idx 是那个 sample_fn 输出最大数字的下标。。也就是是slot值。。。

[bringtree]

有没有可能 一开始的时候 把 slot 的 embedding和 输入的embedding 混合在一起了。

[zldeng]

@bringtree 我也认为只有把 slot 的 embedding和 输入的embedding都混合在embedding中才能解释的通，也就是说在该模型中slot也训练了对应的embedding。而且还必须保证slot的index必须在整个vocab中的范围是[0，slot_cnt-1]，文本单词的index其实下标从slt_cnt开始，否则就会有问题。因为decode的sample_ids范围是[0，slot_cnt)

[NiceMartin]

@applenob 再请教下 initial_fn和next_inputs_fn这两个函数中的state，为什么只包含了 上一个时刻的输出y_(i-1) 和 对应的h_i, 而不包含context vector c_i和上一个时刻的隐状态 s_i？

[bringtree]

@zldeng Joint Embedding of Words and Labels for Text Classification(ACL2018, Wang et al)

[bringtree]

@zldeng 令人窒息 😆

[farnazgh]

@NiceMartin "initial_fn和next_inputs_fn这两个函数中的state，为什么只包含了 上一个时刻的输出y_(i-1) 和 对应的h_i, 而不包含context vector c_i和上一个时刻的隐状态 s_i？" that is my question too, could you get the answer?

[bringtree]

@NiceMartin "initial_fn和next_inputs_fn这两个函数中的state，为什么只包含了 上一个时刻的输出y_(i-1) 和 对应的h_i, 而不包含context vector c_i和上一个时刻的隐状态 s_i？" that is my question too, could you get the answer?

I guess that the attention mechanism code is no here. the attention mechanism code

                attention_mechanism = tf.contrib.seq2seq.BahdanauAttention(
                    num_units=self.hidden_size, memory=memory,
                    memory_sequence_length=self.encoder_inputs_actual_length)
                cell = tf.contrib.rnn.LSTMCell(num_units=self.hidden_size * 2)
                attn_cell = tf.contrib.seq2seq.AttentionWrapper(
                    cell, attention_mechanism, attention_layer_size=self.hidden_size)