如果使用预训练的嵌入模型，为什么seq2seq模型返回负损失

如何解决如果使用预训练的嵌入模型，为什么seq2seq模型返回负损失

我正在按照此示例代码使用keras构建seq2seq模型。 https://github.com/keras-team/keras/blob/master/examples/lstm_seq2seq.py

当我训练该代码时，它通常可以正常工作，并且效果很好。但是，当我尝试使用预训练的嵌入模型对其进行训练时，损耗和交叉熵始终为负值。

我试图仅使用5个示例的数据集来使模型过拟合，以确保其工作正确，但是损失和交叉熵仍然为负。

我使用FastText嵌入模型，这是使用嵌入向量加载数据集的代码：

    encoder_input_data = np.zeros(
        (input_texts_len,max_encoder_seq_length,vector_length),dtype='float32')
    decoder_input_data = np.zeros(
        (input_texts_len,max_decoder_seq_length,dtype='float32')
    decoder_target_data = np.zeros(
        (input_texts_len,dtype='float32')
    padding = np.zeros((vector_length),dtype='float32')
    for i,(input_text,target_text) in enumerate(zip(input_texts,target_texts)):
        for t,word in enumerate(input_text):
                encoder_input_data[i,t] = w2v.get_vector(word)
        encoder_input_data[i,t + 1:] = padding
    
        for t,word in enumerate(target_text):
                decoder_input_data[i,t] = w2v.get_vector(word)
            if t > 0:
                decoder_target_data[i,t - 1] = w2v.get_vector(word)
                
        decoder_input_data[i,t + 1:] = padding
        decoder_target_data[i,t] = padding

这是模型代码本身：

    encoder_inputs = Input(shape=(max_encoder_seq_length,vec_leng,))
    x = Masking(mask_value=0.0)(encoder_inputs)
    encoder = LSTM(latent_dim,name='lstm_1')
    
    encoder_outputs,state_h,state_c = encoder(x)
    encoder_states = [state_h,state_c]
    decoder_inputs = Input(shape=(max_decoder_seq_length,))
    a = Masking(mask_value=0.0) (decoder_inputs)
    decoder_lstm = LSTM(latent_dim,name='decoder_lstm')
    decoder_outputs,_,_ = decoder_lstm(a,initial_state=encoder_states)
    # Attention layer
    attn_layer = AttentionLayer(name='attention_layer')
    attn_out,attn_states = attn_layer([encoder_outputs,decoder_outputs])

    decoder_concat_input = Concatenate(axis=-1)([decoder_outputs,attn_out])
    decoder_dense = Dense(vec_leng,activation='softmax')
    dense_time = TimeDistributed(decoder_dense,name='time_distributed_layer')
    decoder_pred = dense_time(decoder_concat_input)

    model = Model(inputs=[encoder_inputs,decoder_inputs],outputs=decoder_pred,name='main_model')
    encoder_model = Model(inputs=encoder_inputs,outputs=[encoder_outputs,encoder_states],name='encoder_model')

    decoder_state_input_h = Input(shape=(latent_dim,))
    decoder_state_input_c = Input(shape=(latent_dim,))
    encoder_states_ = Input(batch_shape=(1,latent_dim))

    decoder_states_inputs = [decoder_state_input_h,decoder_state_input_c]
    a = Input(shape=(max_decoder_seq_length,))
    decoder_outputs,state_c = decoder_lstm(a,initial_state=decoder_states_inputs)
    decoder_states = [state_h,state_c]

    attn_inf_out,attn_inf_states = attn_layer([encoder_states_,decoder_outputs])
    decoder_inf_concat = Concatenate(axis=-1)([decoder_outputs,attn_inf_out])
    decoder_inf_pred = TimeDistributed(decoder_dense)(decoder_inf_concat)

    decoder_model = Model(
        [encoder_states_,decoder_states_inputs,a],[decoder_inf_pred,attn_inf_states,decoder_states],name='decoder_model')

，这里是培训资料：

我得到这些负值的原因是什么？以及如何解决它们？

解决方法

由于目标向量元素不正确，您将获得负损失值，one_hot目标向量元素必须为1或0整数。