如何计算张量流中RNN的困惑度

Question

我正在运行单词RNN的张量流的单词RNN实现

如何计算RNN的困惑度。

以下是训练中的代码，显示每个时期的训练损失和其他情况：

for e in range(model.epoch_pointer.eval(), args.num_epochs):
        sess.run(tf.assign(model.lr, args.learning_rate * (args.decay_rate ** e)))
        data_loader.reset_batch_pointer()
        state = sess.run(model.initial_state)
        speed = 0
        if args.init_from is None:
            assign_op = model.batch_pointer.assign(0)
            sess.run(assign_op)
            assign_op = model.epoch_pointer.assign(e)
            sess.run(assign_op)
        if args.init_from is not None:
            data_loader.pointer = model.batch_pointer.eval()
            args.init_from = None
        for b in range(data_loader.pointer, data_loader.num_batches):
            start = time.time()
            x, y = data_loader.next_batch()
            feed = {model.input_data: x, model.targets: y, model.initial_state: state,
                    model.batch_time: speed}
            summary, train_loss, state, _, _ = sess.run([merged, model.cost, model.final_state,
                                                         model.train_op, model.inc_batch_pointer_op], feed)
            train_writer.add_summary(summary, e * data_loader.num_batches + b)
            speed = time.time() - start
            if (e * data_loader.num_batches + b) % args.batch_size == 0:
                print("{}/{} (epoch {}), train_loss = {:.3f}, time/batch = {:.3f}" \
                    .format(e * data_loader.num_batches + b,
                            args.num_epochs * data_loader.num_batches,
                            e, train_loss, speed))
            if (e * data_loader.num_batches + b) % args.save_every == 0 \
                    or (e==args.num_epochs-1 and b == data_loader.num_batches-1): # save for the last result
                checkpoint_path = os.path.join(args.save_dir, 'model.ckpt')
                saver.save(sess, checkpoint_path, global_step = e * data_loader.num_batches + b)
                print("model saved to {}".format(checkpoint_path))
    train_writer.close()

Answer 1

您正在引用的项目使用sequence_to_sequence_loss_by_example，它返回交叉熵损失。因此，为了计算训练的困惑度，您只需要像这里解释的那样对损失进行幂运算即可。

train_perplexity = tf.exp(train_loss)

我们必须使用e而不是2作为底数，因为TensorFlow用自然对数来衡量交叉熵损失（TF
Documentation
）。谢谢@Matthias
Arro和@Colin Skow的提示。

当我们基于Q制定编码方案时，两个概率分布P和Q的交叉熵告诉我们编码P事件所需的最小平均位数。因此，P是真实分布，通常我们不这样做。不知道。我们希望找到一个尽可能接近P的Q，这样我们就可以开发出一种很好的编码方案，每个事件使用的位数尽可能少。

我不应该说位，因为如果在交叉熵的计算中使用基数2，我们只能使用位作为度量。但是TensorFlow使用自然对数，因此让我们来测量 nat中
的交叉熵。

假设我们有一个错误的语言模型，该模型说明词汇表中的每个标记（字符/单词）都很可能成为下一个标记。对于1000个令牌的词汇表，此模型将具有
log（1000）= 6.9 nats 的交叉熵。在预测下一个令牌时，它必须在每个步骤中在1000个令牌之间进行统一选择。

更好的语言模型将确定更接近P的概率分布Q。因此，交叉熵较低-我们可能会得到3.9 nats的交叉熵。如果现在要测量困惑度，我们只需对交叉熵求幂：

exp（3.9）= 49.4

因此，在我们为之计算损失的样本上，好的模型非常复杂，就好像它必须在大约50个代币中统一选择一样。