1. 学习单步的RNN：RNNCell

提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档

---

前言

1. 学习单步的RNN：RNNCell

---

提示：以下是本篇文章正文内容，下面案例可供参考

1.任务描述

本关任务：学习 RNN 循环神经网络的基本概念，并构建单个 RNNCell 。

2.相关知识

为了完成本关任务，你需要掌握：

1. RNNCell 的基本原理和功能；
2. BasicRNNCell 类的常用属性和方法。

RNNCell是什么

如果要学习 TensorFlow 中的 RNN ，第一站应该就是去了解“ RNNCell ”，它是 TensorFlow 中实现 RNN 的基本单元，每个 RNNCell 都有一个 call 方法，使用方式是： (output, next_state) = call(input, state) 。
有关时间序列的经验的传递，再结合当前的输入，就可以构成具有“循环”结构的 RNN (循环神经网络)。

单个RNNCell的构建

方法 tf.nn.rnn_cell.BasicRNNCell() 可以构造一个 BasicRNNCell 类的实例即一个最基本的 RNNCell ，这个方法有一个参数 num_units 我们需要设置一下，它代表了隐含层的大小，比如，构造一个拥有 5 个神经元的 BasicRNNCell 可以这样实现：

cell=tf.nn.rnn_cell.BasicRNNCell(num_units=5)

RNNCell能做什么

既然我们已经有了一个 RNNCell ，当然想要试着给一个输入，看看这个网络能给我们什么样的输出，这就需要一个我们之前提到的 call 方法，不过 BasicRNNCell 类里的这一调用方法叫做 call() ，下面就展示一下，给定一个输入， RNNCell 会输出给我们什么吧:)

cell=tf.nn.rnn_cell.BasicRNNCell(num_units=5)

新建一个输入值 x1。

x1=tf.placeholder(tf.float32,[batch_size,n_inputs])

batch_size 代表批量输入值的大小, n_inputs 代表单个输入值的维度

构建 BasicRNNCell，含有 n_units 个神经元

cell=tf.nn.rnn_cell.BasicRNNCell(num_units=n_units)

将初始状态初始化为全零

h0=cell.zero_state(batch_size=batch_size,dtype=tf.float32)
output ， h1 分别代表了这个 RNNCell 的输出和当前状态。

output,h1=cell.__call__(x1,h0)

打印当前状态

print(h1)

3.编程要求

根据提示，在右侧编辑器的 begin-end 间补充代码，创建一个包含 a 个神经元，可以接受一个 shape=[ b , c ] ,类型为 float32 的张量作为输入的 BasicRNNCell，并打印一次输入后该 BasicRNNCell 的输出。

4.笔者答案

#-*- coding: utf-8 -*-
import tensorflow as tf

#参数 a 是 BasicRNNCell所含的神经元数, 参数 b 是 batch_size, 参数 c 是单个 input 的维数，shape = [ b , c ]
def creatRNNCell(a,b):
   # 请在此添加代码 完成本关任务
   # ********** Begin *********#
   #构建 BasicRNNCell，含有 a 个神经元
   cell=tf.nn.rnn_cell.BasicRNNCell(num_units=a)
   c=3
   #新建一个输入值 x1
   x1=tf.placeholder(tf.float32,[b,c])
   #将初始状态初始化为全零
   h0=cell.zero_state(batch_size=b,dtype=tf.float32)
   #output ， h1 分别代表了这个 RNNCell 的输出和当前状态。
   output,h1=cell.__call__(x1,h0)
   #打印一次输入后该 BasicRNNCell 的输出
   print(output)
   # ********** End **********#

通过截图

总结

1. 学习单步的RNN：RNNCell