Tensorflow RNN源代码解析笔记2：RNN的基本实现

1 前言

话说上回说到了RNNCell的基本实现，本来按照道理来说，应该介绍LSTM GRU的，但是奈何这些于我而言也是不太熟悉（然后我又悲伤的想到了那个电话，哎），所以不如先说说RNN网络的实现吧，毕竟之前熟悉的是基本的RNNCell，现在再熟悉下RNN的具体实现，那不正好可以完整的学习一个基本版的RNN么？
Tensorflow RNN源代码解析笔记1：RNNCell的基本实现

2 基本说明

Tensorflow提供了一个最基本 的rnn网络实现，具体位置是tf.nn.rnn当中。对了，这里说到的RNN网络都需要设定具体的Cell类型（也就是之前那篇文章里的RNNCell），关于RNNCell具体如何工作这里就不说了，这里主要从网络结构上来看。
那么我们首先看下定义这个基本rnn网络的一些参数：

def rnn(cell, inputs, initial_state=None, dtype=None,
        sequence_length=None, scope=None):

这个RNN网络呢，是一个最基本的RNN网络，简单到什么地步呢，基本就是如下几行代码的高上大版，这个rnn所实现的核心功能就是下面这几行代码所实现的，仅仅是增加了一些更多的配置的支持而已：

  ```python
    state = cell.zero_state(...)
    outputs = []
    for input_ in inputs:
      output, state = cell(input_, state)
      outputs.append(output)
    return (outputs, state)
  ```

假设我们输入的序列的长度（时间）为T，那么以此使用Cell运算T次，每次的输出加入到outputs中，并且保留当前的最终state。

这里有两个必选参数和四个可选参数：

cell: 需要为RNN网络提供一个具体的Cell实例（不加修饰的RNNCell或LSTM或GRU或你自己实现的）

inputs:这个就是这个rnn网络的输入了，长度为T的一个List，List的位置表示时间（也就是时间从0到T-1），每个Tensor的形状是[batch_size,input_size],batch_size是你训练的时候，每一个batch的大小，而input_size则是输入元素的维度，这里的两个值要和上面cell里的参数对应。

上面两个参数是必选的，下面几个是可选的：

initial_state:我们知道RNN在运行之初，是需要提前设定一个隐层的状态的，设定就是在这里，一般来说他可以有默认全0的设置。特别注意的是，这里的形状要和cell的结构符合。

dtype:数据类型ÿ