tensorflow中rnn内cell的添加操作

操作版本python 3.5 ，tensorflow version =1.1，本操作1.2也是可以的，但是1.0及其以下是有error的，如果是1.0以下那么此处的技术没有意义。 不清楚版本的可以在cmd下进行三步操作查看1 输入：python 2 输入： import tensorflow as tf  3输入：tf.__version__

正文：

rnn中的cell常用的有LSTM同意GRU，但是有时候我们需要堆叠多层cell或者需要自定义cell的初状态，即最开始时候的第一个cell的状态，我再此处进行以下演示：

1  构造placeholder，因为不构造后面的演示不会通过，所以我不是只给出关键部分，那样很多时候别人也不会明白，这也是现在很多代码无法运行的原因之一，不告知版本，不全部贴出来。

# 导入所需的包

import tensorflow as tf
from tensorflow.contrib.rnn import LSTMCell,MultiRNNCell,LSTMStateTuple,NASCell # 导入几个常用的cell注意：NASCell与LSTM相同（可以这么理解...其他的我没有研究）

# 定义rnn与inpute使用到的参数

num_units =16 # rnn 中每个cell的单元数量
batch_size =8 # 每次进入输入的truncated_series_length=16num_layers=3

state_placeholder = tf.placeholder(tf.float32, [num_layers, 2, batch_size, num_units])# 这一段的意思是堆叠3层cell， 因为是lstm所以cell的state有c与h因此第一个数字是2，第三个数字

# 是batch的数量也可以添None，最后一个是每个cell单元的内部的单元数量。

x = tf.placeholder(tf.float32, [None, truncated_series_length, 1]) # 这个就是输入的input，
states = tf.unstack(state_placeholder, axis=0) 这段代码的意思是将cell的state进行拆解，axis是按照那个维度拆解，0就是第一个维度num_layers，因此拆成3组，每组都是的
# shape都是（2，8，16）
rnn_tuple_state = tuple(
   [LSTMStateTuple(states[idx][0], states[idx][1])
     for idx in range(num_layers)]
)# 这几段就是创建3个cell每个cell中state的c与h都是states[idx][0]与states[idx][1]就是（batch_size，num_units)
# 下面就是测试了，记住tensorflow 1.1之后MultiRNNCell的每一层的cell都会有自己的参数，而不是都共享一组参数。
rnn_cells = tf.contrib.rnn.MultiRNNCell([LSTMCell(num_units) for _ in range(num_layers)], state_is_tuple = True)
outputs, current_state = tf.nn.dynamic_rnn(rnn_cells, x,initial_state=rnn_tuple_state)
print(current_state)