【TensorFlow】static_rnn 和dynamic_rnn的区别

tensorflow中提供了rnn接口有两种，一种是静态的rnn，一种是动态的rnn

通常用法：

1、静态接口：static_rnn

主要使用 tf.contrib.rnn

x = tf.placeholder("float", [None, n_steps, n_input])
x1 = tf.unstack(x, n_steps, 1)
lstm_cell = tf.contrib.rnn.BasicLSTMCell(n_hidden, forget_bias=1.0)
outputs, states = tf.contrib.rnn.static_rnn(lstm_cell, x1, dtype=tf.float32)
pred = tf.contrib.layers.fully_connected(outputs[-1],n_classes,activation_fn = None)

静态 rnn 的意思就是在图中创建一个固定长度（n_steps）的网络。这将导致

缺点：

1. 生成过程耗时跟长，占内存更多，导出的模型更大；
2. 无法传递比最初指定的更长的序列（> n_steps）。

优点：

1. 模型中带有某个序列中间台的信息，便与调试。    

2、动态接口：dynamic_rnn

主要使用 tf.nn.dynamic_rnn

x = tf.placeholder("float", [None, n_steps, n_input])
lstm_cell = tf.contrib.rnn.BasicLSTMCell(n_hidden, forget_bias=1.0)
outputs,_  = tf.nn.dynamic_rnn(lstm_cell ,x,dtype=tf.float32)
outputs = tf.transpose(outputs, [1, 0, 2])
pred = tf.contrib.layers.fully_connected(outputs[-1],n_classes,activation_fn = None)

    动态的tf.nn.dynamic_rnn被执行时，它使用循环来动态构建图形。这意味着

优点：

1. 图形创建速度更快，占用内存更少；
2. 并且可以提供可变大小的批处理。