tf.nn.bidirectional_dynamic_rnn()

函數(shù)：

def bidirectional_dynamic_rnn(
  cell_fw, # 前向RNN
  cell_bw, # 后向RNN
  inputs, # 輸入
  sequence_length=None,# 輸入序列的實(shí)際長度（可選，默認(rèn)為輸入序列的最大長度）
  initial_state_fw=None, # 前向的初始化狀態(tài)（可選）
  initial_state_bw=None, # 后向的初始化狀態(tài)（可選）
  dtype=None, # 初始化和輸出的數(shù)據(jù)類型（可選）
  parallel_iterations=None,
  swap_memory=False,
  time_major=False,
  # 決定了輸入輸出tensor的格式：如果為true, 向量的形狀必須為 `[max_time, batch_size, depth]`.
  # 如果為false, tensor的形狀必須為`[batch_size, max_time, depth]`.
  scope=None
)

其中，

outputs為(output_fw, output_bw)，是一個(gè)包含前向cell輸出tensor和后向cell輸出tensor組成的元組。假設(shè)

time_major=false,tensor的shape為[batch_size, max_time, depth]。實(shí)驗(yàn)中使用tf.concat(outputs, 2)將其拼接。

output_states為(output_state_fw, output_state_bw)，包含了前向和后向最后的隱藏狀態(tài)的組成的元組。

output_state_fw和output_state_bw的類型為LSTMStateTuple。

LSTMStateTuple由（c，h）組成，分別代表memory cell和hidden state。

返回值：

元組：(outputs, output_states)

這里還有最后的一個(gè)小問題，output_states是一個(gè)元組的元組，處理方法是用c_fw,h_fw = output_state_fw和c_bw,h_bw = output_state_bw，最后再分別將c和h狀態(tài)concat起來，用tf.contrib.rnn.LSTMStateTuple()函數(shù)生成decoder端的初始狀態(tài)

def encoding_layer(rnn_size,sequence_length,num_layers,rnn_inputs,keep_prob):
  # rnn_size: rnn隱層節(jié)點(diǎn)數(shù)量
  # sequence_length: 數(shù)據(jù)的序列長度
  # num_layers:堆疊的rnn cell數(shù)量
  # rnn_inputs: 輸入tensor
  # keep_prob:
  '''Create the encoding layer'''
  for layer in range(num_layers):
    with tf.variable_scope('encode_{}'.format(layer)):
      cell_fw = tf.contrib.rnn.LSTMCell(rnn_size,initializer=tf.random_uniform_initializer(-0.1,0.1,seed=2))
      cell_fw = tf.contrib.rnn.DropoutWrapper(cell_fw,input_keep_prob=keep_prob)
 
      cell_bw = tf.contrib.rnn.LSTMCell(rnn_size,initializer=tf.random_uniform_initializer(-0.1,0.1,seed=2))
      cell_bw = tf.contrib.rnn.DropoutWrapper(cell_bw,input_keep_prob = keep_prob)
 
      enc_output,enc_state = tf.nn.bidirectional_dynamic_rnn(cell_fw,cell_bw,
                                  rnn_inputs,sequence_length,dtype=tf.float32)
 
  # join outputs since we are using a bidirectional RNN
  enc_output = tf.concat(enc_output,2) 
  return enc_output,enc_state

tf.nn.dynamic_rnn()

tf.nn.dynamic_rnn的返回值有兩個(gè)：outputs和state

為了描述輸出的形狀，先介紹幾個(gè)變量，batch_size是輸入的這批數(shù)據(jù)的數(shù)量，max_time就是這批數(shù)據(jù)中序列的最長長度，如果輸入的三個(gè)句子，那max_time對應(yīng)的就是最長句子的單詞數(shù)量，cell.output_size其實(shí)就是rnn cell中神經(jīng)元的個(gè)數(shù)。

例子來說明其用法，假設(shè)你的RNN的輸入input是[2,20,128]，其中2是batch_size，20是文本最大長度，128是embedding_size，可以看出，有兩個(gè)example，我們假設(shè)第二個(gè)文本長度只有13，剩下的7個(gè)是使用0-padding方法填充的。dynamic返回的是兩個(gè)參數(shù)：outputs,state，其中outputs是[2,20,128]，也就是每一個(gè)迭代隱狀態(tài)的輸出，state是由(c,h)組成的tuple，均為[batch,128]。

outputs. outputs是一個(gè)tensor

如果time_major==True，outputs形狀為 [max_time, batch_size, cell.output_size ]（要求rnn輸入與rnn輸出形狀保持一致）

如果time_major==False（默認(rèn)），outputs形狀為 [ batch_size, max_time, cell.output_size ]

state. state是一個(gè)tensor。state是最終的狀態(tài)，也就是序列中最后一個(gè)cell輸出的狀態(tài)。一般情況下state的形狀為 [batch_size, cell.output_size ]，但當(dāng)輸入的cell為BasicLSTMCell時(shí)，state的形狀為[2，batch_size, cell.output_size ]，其中2也對應(yīng)著LSTM中的cell state和hidden state。

這里有關(guān)于LSTM的結(jié)構(gòu)問題：

以上這篇淺談Tensorflow 動(dòng)態(tài)雙向RNN的輸出問題就是小編分享給大家的全部內(nèi)容了，希望能給大家一個(gè)參考，也希望大家多多支持腳本之家。