循环神经网络系列（二）Tensorflow中dynamic_rnn

最新推荐文章于 2020-10-30 15:09:00 发布

空字符（公众号：月来客栈）

最新推荐文章于 2020-10-30 15:09:00 发布

阅读量2.3k

点赞数 4

分类专栏： Tensorflow框架

本文链接：https://blog.csdn.net/The_lastest/article/details/83661632

版权

本文是循环神经网络系列的第二篇，重点介绍如何在Tensorflow中使用dynamic_rnn进行多步计算。通过dynamic_rnn，我们可以一步完成多个RNN单元的计算，例如输入h0、x1得到output1、h1，再依次输入h1、x2和h2、x3等。文章详细解析了dynamic_rnn的使用方法，包括输入格式、输出结果的形状以及两种不同输入方式的优缺点。

摘要由CSDN通过智能技术生成

1.回顾

上一篇博文(循环神经网络系列（一)Tensorflow中BasicRNNCell)中我们介绍了在Tensoflow中，每个RNN单元的实现，以及对应各个参数的含义。自那之后，我们就能通过Tensorflow实现一个单元的计算了。

import tensorflow as tf
import numpy as np

x = np.array([[1, 0, 1, 2], [2, 1, 1, 1]])
X = tf.placeholder(dtype=tf.float32, shape=[2, 4], name='input')
cell = tf.nn.rnn_cell.BasicRNNCell(num_units=5)  # output_size:10,也可以换成GRUCell，LSTMAACell,BasicRNNCell
h0 = cell.zero_state(batch_size=2, dtype=tf.float32)  # batch_size:2
output, h1 = cell.call(X, h0)

with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    a, b = (sess.run([output, h1], feed_dict={
   X: x}))
    print('output:')
    print(a)
    print('h1:')
    print(b)
    
>>

output:
[[ 0.4495004   0.9573416   0.6013933   0.75571895 -0.8172958 ]
 [ 0.6624889   0.7011481   0.68771356  0.77796507 -0.7617092 ]]
h1:
[[ 0.4495004   0.9573416   0.6013933   0.75571895 -0.8172958 ]
 [ 0.6624889   0.7011481   0.68771356  0.77796507 -0.7617092 ]]