TensorFlow系列专题（八）：七步带你实现RNN循环神经网络小示例

欢迎大家关注我们的网站和系列教程：http://panchuang.net/ ，学习更多的机器学习、深度学习的知识！

【前言】：在前面的内容里，我们已经学习了循环神经网络的基本结构和运算过程，这一小节里，我们将用TensorFlow实现简单的RNN，并且用来解决时序数据的预测问题，看一看RNN究竟能达到什么样的效果，具体又是如何实现的。

在这个演示项目里，我们使用随机生成的方式生成一个数据集（由0和1组成的二进制序列），然后人为的增加一些数据间的关系。最后我们把这个数据集放进RNN里，让RNN去学习其中的关系，实现二进制序列的预测¹。数据生成的方式如下：

循环生成规模为五十万的数据集，每次产生的数据为0或1的概率均为0.5。如果连续生成了两个1（或两个0）的话，则下一个数据强制为0（或1）。

 

1.我们首先导入需要的Python模块：

1	#!/usr/bin/python
2	# -*- coding: UTF-8 -*-
3	import numpy as np
4	import tensorflow as tf
5	import matplotlib.pyplot as plt
6	from tensorflow.contrib import rnn

2. 定义一个Data类，用来产生数据：

1	class Data:
2	    def __init__(self, data_size, num_batch, batch_size, time_step):
3	        self.data_size = data_size      # 数据集的大小
4	        self.batch_size = batch_size    # 一个batch的大小
5	        self.num_batch = num_batch   # batch的数目（num_batch=data_size//batch_size）
6	        self.time_step = time_step     # RNN的时间步
7	        self.data_without_rel = []      # 保存随机生成的数据，数据间没有联系
8	        self.data_with_rel = []         # 保存有时序关系的数据

3. 在构造方法“init”中，我们初始化了数据集的大小“data_size”、一个batch的大小“batch_size”、一个epoch中的batch数目“num_batch”以及RNN的时间步“time_step”。接下来我们定义一个“generate_data”方法：

9	def generate_data(self):
10	    # 随机生成数据
11	    self.data_without_rel = np.array(np.random.choice(2, size&#