解釋張量流中lstm網絡的重用變量

Question

我寫過一個代碼來設計Tensorflow中的長期短期存儲網絡。代碼工作後，我做了很多的變化，並閱讀本網站的一些意見。 這部分代碼是很重要的解釋：

tf.reset_default_graph() 
with tf.variable_scope("conv1"): 
    cell= tf.contrib.rnn.LSTMCell(n_hidden_units, forget_bias=0.0, state_is_tuple=True,reuse=tf.get_variable_scope().reuse) 
    outputs, final_state = tf.nn.dynamic_rnn(cell, X_in, initial_state=init_state, time_major=False,scope="conv1") 

洛杉磯功能的情節永遠是這樣： enter image description here。

在某個點訓練損失函數減少和驗證損失函數增加的地方。我認爲它不應該是這樣的。我想問一下，在我的代碼中，變量重用是否正確？如果你知道損失函數圖有什麼問題？

預先感謝您。

編輯：

我想，也許我應該張貼我的代碼，所以它會更容易理解，因爲我無法找到一個解決方案：如果您的驗證損失開始增加

tf.reset_default_graph() 
x = tf.placeholder(tf.float32, [None, n_steps, n_inputs]) 
y = tf.placeholder(tf.float32, [None, n_classes]) 
weights = { 
# (147, 128),tf.random_normal_initializer(mean=0.0, stddev=0.1) 
'in': tf.get_variable('W_in',shape=[n_inputs, n_hidden_units],initializer=tf.truncated_normal_initializer(stddev=0.5)), 
# (128, 5) 
'out': tf.get_variable('W_out',shape=[n_hidden_units, n_classes],initializer=tf.truncated_normal_initializer(stddev=0.5))} 
biases = { 
# (128,) 
'in': tf.get_variable('b_in',shape=[n_hidden_units, ],initializer=tf.random_normal_initializer(stddev=0.5)), 
# (5,) 
'out': tf.get_variable('b_out', shape=[n_classes, ],initializer=tf.random_normal_initializer(stddev=0.5))} 
def lstm_cell(): 
     return tf.contrib.rnn.BasicLSTMCell(n_hidden_units, forget_bias=0.0, state_is_tuple=True,reuse=tf.get_variable_scope().reuse) 

def RNN(X, weights, biases): 
     X = tf.reshape(X, [-1, n_inputs]) 
     X_in = tf.nn.tanh(tf.matmul(X, weights['in']) + biases['in']) 
     X_in=tf.nn.dropout(X_in,keep_prob=0.5) 
     X_in = tf.reshape(X_in, [-1, n_steps, n_hidden_units]) 
     with tf.variable_scope("conv1"): 
      cell = lstm_cell() 
      cell = tf.contrib.rnn.DropoutWrapper(cell, output_keep_prob=0.5) 
      init_state = cell.zero_state(tf.shape(X_in)[0], dtype=tf.float32) 
      outputs, final_state = tf.nn.dynamic_rnn(cell, X_in, initial_state=init_state, time_major=False,scope="conv1") 
     outputs = tf.unstack(tf.transpose(outputs, [1,0,2])) 
     results = tf.matmul(outputs[-1], weights['out']) + biases['out']  

     return results 

pred = RNN(x, weights, biases) 
cost = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(logits=pred, labels=y)) 
train_op = tf.train.AdamOptimizer(0.0025).minimize(cost) 

Answer 1

一般，這意味着您的網絡過度適合培訓數據。您可以通過正規化，丟失或其他方法來減少這種情況。您還應該嘗試減少網絡中神經元/圖層的總數。