TensorFlow中seq2seq库函数

1、seq2seq.py的两个重要的库函数

1） outputs, states = basic_rnn_seq2seq(encoder_inputs, decoder_inputs, cell,dtype=dtypes.float32,scope=None)

输入参数 ：

encoder_inputs: 它是一个二维tensor构成的列表对象，其中每一个二维tensor代表某一时刻的输入，其尺寸为[batch_size x input_size]，这里的batch_size具体指某一时刻输入的单词个数，input_size指encoder的长度;

decoder_inputs:它是一个二维tensor构成的列表对象，其中每一个二维tensor代表某一时刻的输入，其尺寸为[batch_size x output_size]，这里的 batch_size具体指某一时刻输入的单词个数，output_size指decoder的长度;

cell: 它是一个rnn_cell.RNNCell或者multi-layer-RNNCell对象，其中定义了cell函数和hidden units的个数;

dtype: 初始化RNN cell状态的类型，默认为tf.float32;

scope：variablescope for the created subgraph，默认为“basic_rnn_seq2seq”;

输出参数 ：

outputs: 它是一个二维tensor构成的列表对象，其中每一个二维tensor代表某一时刻输出，其尺寸为[batch_size x output_size]，这里的 batch_size具体指某一时刻输入的单词个数，output_size指decoder的长度;

state: 它是一个二维tensor，表示每一个decoder cell在最后的time-step的状态，其尺寸为[batch_size x cell.state_size]，这里的cell.state_size可以表示一个或者多个子cell的状态，视输入参数cell而定;

2） outputs, states = embedding_attention_seq2seq(encoder_inputs, decoder_inputs, …)

输入参数 ：

encoder_inputs: 与上面的基本函数，它是一个一维tensor构成的列表对象，其中每一个一维tensor的尺寸为[batch_size]，代表某一时刻的输入;

decoder_inputs: 与encoder_inputs的解释类似;

cell: 它是一个rnn_cell.RNNCell或者multi-layer-RNNCell对象，其中定义了cell函数和hidden u