私は実装したいQ &注目のメカニズムを持つシステム。私は2つの入力を持っています。 context
およびquery
の形状は、(batch_size, context_seq_len, embd_size)
および(batch_size, query_seq_len, embd_size)
です。
私は以下の論文に従っています。 マッチLSTMとアンサーポインタを使用した機械理解。 https://arxiv.org/abs/1608.07905PyTorchの多次元配列への `for`ループ
次に、形状が(batch_size, context_seq_len, query_seq_len, embd_size)
の注意行列を取得します。論文では、各行の値を計算します(これは、各コンテキスト・ワード、G_i、α_iを意味します)。
私のコードは以下のとおりで、動作しています。しかし私は自分の道が良いかどうか分からない。たとえば、シーケンスデータ(for i in range(T):
)の生成にはfor loop
を使用します。そして、各行を取得するために、私はG[:,i,:,:]
のようなインプレース演算子を使用し、embd_context[:,i,:].clone()
は良い方法ですか?そうでない場合は、コードをどこで変更する必要がありますか?
その他の点に気づいたら、教えてください。私はこのフィールドとピンクの新しいです。私のあいまいな質問を申し訳ありません。
class MatchLSTM(nn.Module):
def __init__(self, args):
super(MatchLSTM, self).__init__()
self.embd_size = args.embd_size
d = self.embd_size
self.answer_token_len = args.answer_token_len
self.embd = WordEmbedding(args)
self.ctx_rnn = nn.GRU(d, d, dropout = 0.2)
self.query_rnn = nn.GRU(d, d, dropout = 0.2)
self.ptr_net = PointerNetwork(d, d, self.answer_token_len) # TBD
self.w = nn.Parameter(torch.rand(1, d, 1).type(torch.FloatTensor), requires_grad=True) # (1, 1, d)
self.Wq = nn.Parameter(torch.rand(1, d, d).type(torch.FloatTensor), requires_grad=True) # (1, d, d)
self.Wp = nn.Parameter(torch.rand(1, d, d).type(torch.FloatTensor), requires_grad=True) # (1, d, d)
self.Wr = nn.Parameter(torch.rand(1, d, d).type(torch.FloatTensor), requires_grad=True) # (1, d, d)
self.match_lstm_cell = nn.LSTMCell(2*d, d)
def forward(self, context, query):
# params
d = self.embd_size
bs = context.size(0) # batch size
T = context.size(1) # context length
J = query.size(1) # query length
# LSTM Preprocessing Layer
shape = (bs, T, J, d)
embd_context = self.embd(context) # (N, T, d)
embd_context, _h = self.ctx_rnn(embd_context) # (N, T, d)
embd_context_ex = embd_context.unsqueeze(2).expand(shape).contiguous() # (N, T, J, d)
embd_query = self.embd(query) # (N, J, d)
embd_query, _h = self.query_rnn(embd_query) # (N, J, d)
embd_query_ex = embd_query.unsqueeze(1).expand(shape).contiguous() # (N, T, J, d)
# Match-LSTM layer
G = to_var(torch.zeros(bs, T, J, d)) # (N, T, J, d)
wh_q = torch.bmm(embd_query, self.Wq.expand(bs, d, d)) # (N, J, d) = (N, J, d)(N, d, d)
hidden = to_var(torch.randn([bs, d])) # (N, d)
cell_state = to_var(torch.randn([bs, d])) # (N, d)
# TODO bidirectional
H_r = [hidden]
for i in range(T):
wh_p_i = torch.bmm(embd_context[:,i,:].clone().unsqueeze(1), self.Wp.expand(bs, d, d)).squeeze() # (N, 1, d) -> (N, d)
wh_r_i = torch.bmm(hidden.unsqueeze(1), self.Wr.expand(bs, d, d)).squeeze() # (N, 1, d) -> (N, d)
sec_elm = (wh_p_i + wh_r_i).unsqueeze(1).expand(bs, J, d) # (N, J, d)
G[:,i,:,:] = F.tanh((wh_q + sec_elm).view(-1, d)).view(bs, J, d) # (N, J, d) # TODO bias
attn_i = torch.bmm(G[:,i,:,:].clone(), self.w.expand(bs, d, 1)).squeeze() # (N, J)
attn_query = torch.bmm(attn_i.unsqueeze(1), embd_query).squeeze() # (N, d)
z = torch.cat((embd_context[:,i,:], attn_query), 1) # (N, 2d)
hidden, cell_state = self.match_lstm_cell(z, (hidden, cell_state)) # (N, d), (N, d)
H_r.append(hidden)
H_r = torch.stack(H_r, dim=1) # (N, T, d)
indices = self.ptr_net(H_r) # (N, M, T) , M means (start, end)
return indices
https://codereview.stackexchange.comに送信してください。実際には、作業コードの品質を確認するための適切な場所ではありません。 –
ああ、私はそのサイトを知らない。私はサイトに移動します。ありがとうございました。 https://codereview.stackexchange.com/questions/180984/for-loop-to-a-multi-dimensional-array-in-pytorch – jef
問題ありません。おそらくここから質問を削除するべきでしょう。 –