在语言建模中，为什么我必须在每个新的训练时期之前 init_hidden 权重？(pytorch)

Question

我对pytorch语言建模中的以下代码有疑问：

print("Training and generating...")
    for epoch in range(1, config.num_epochs + 1): 
        total_loss = 0.0
        model.train()  
        hidden = model.init_hidden(config.batch_size)  

        for ibatch, i in enumerate(range(0, train_len - 1, seq_len)):
            data, targets = get_batch(train_data, i, seq_len)          
            hidden = repackage_hidden(hidden)
            model.zero_grad()

            output, hidden = model(data, hidden)
            loss = criterion(output.view(-1, config.vocab_size), targets)
            loss.backward()  

请检查第 5 行。

init_hidden 函数如下：

def init_hidden(self, bsz):
    weight = next(self.parameters()).data
    if self.rnn_type == 'LSTM':  # lstm?(h0, c0)
        return (Variable(weight.new(self.n_layers, bsz, self.hi_dim).zero_()),
                Variable(weight.new(self.n_layers, bsz, self.hi_dim).zero_()))
    else:  # gru & rnn?h0
        return Variable(weight.new(self.n_layers, bsz, self.hi_dim).zero_())

我的问题是：

为什么我们需要在每个 epoch 中 init_hidden ？不应该是模型继承了上一个时期的隐藏参数并继续对其进行训练。

Answer 1

答案在于 init_hidden。它不是隐藏层权重，而是 RNN/LSTM 中的初始隐藏状态，即公式中的 h0。对于每个 epoch，我们应该重新初始化一个新的初学者隐藏状态，这是因为在测试期间，我们的模型将没有关于测试语句的信息，并且初始隐藏状态为零。

Answer 2

隐藏状态根据对当前序列中先前标记的预测存储 RNN 的内部状态，这允许 RNN 理解上下文。隐藏状态由前一个标记的输出决定。

当您预测任何序列的第一个标记时，如果您要保留前一个序列的隐藏状态，您的模型将执行，好像新序列是旧序列的延续，这会产生更差的结果。对于第一个标记，您初始化一个空的隐藏状态，然后将填充模型状态并用于第二个标记。

可以这样想：如果有人让你对一个句子进行分类，然后递给你美国宪法（不相关的信息），或者如果有人给你一些关于这个句子的背景背景，然后让你对这个句子进行分类。