基于tensorflow的循环神经网络RNN(LSTM)实现（MNIST数据集）

环境为windows10+python3+tensorflow，如无法运行，可能是tf版本更新发生变化。

训练文件train.py：

import tensorflow as tf
import tensorflow.examples.tutorials.mnist.input_data as input_data
mnist = input_data.read_data_sets("MNIST_data/", one_hot=True) #导入数据

lr=0.001#学习效率
training_iters=500000 #训练次数
batch_size=128 #每次抓取的数据量

n_inputs=28  #28列
n_steps=28  #28行
n_hidden_unis=128  #隐藏层单元个数
n_classes=10  #0-9

#进行网络结构的建立

with tf.name_scope('inputs'):  #input
    x = tf.placeholder(tf.float32,[None,n_steps,n_inputs],name='x_inputs')  #得到传递进来的训练样本 图片
    y = tf.placeholder(tf.float32,[None,n_classes],name='y_inputs') #标签
    weights=\
    {
        'in':tf.Variable(tf.random_normal([n_inputs,n_hidden_unis]),name='weights'), #从样本进行输入
        'out':tf.Variable(tf.random_normal([n_hidden_unis,n_classes]),name='weights1') #输出至隐藏层
    }
    biases=\
    { #偏置
        'in':tf.Variable(tf.constant(0.1,shape=[n_hidden_unis,]),name='biases'), #(128,)
        'out':tf.Variable(tf.constant(0.1,shape=[n_classes,]),name='biases1') #(10,)
    }

def RNN(X,weights,biases):#X（128batch,28steps,28inputs）
    with tf.name_scope('layer'):
        X = tf.reshape(X,[-1,n_inputs]) #重置为128*28,28的向量
        X_in = tf.matmul(X,weights['in'])