tf.nn.bidirectional_dynamic_rnn与tf.nn.static_bidirectional_rnn

tf.nn.bidirectional_dynamic_rnn

tf.nn.bidirectional_dynamic_rnn(
    cell_fw,
    cell_bw,
    inputs,
    sequence_length=None,
    initial_state_fw=None,
    initial_state_bw=None,
    dtype=None,
    parallel_iterations=None,
    swap_memory=False,
    time_major=False,
    scope=None
)

主要参数：

1.cell_fw：用于正向的RNNCell的实例。
2.cell_bw：用于反向的RNNCell的实例。
3.inputs：RNN输入。如果time_major == False（默认值），则必须是形状为[batch_size, max_time, …]的张量，或这些元素的嵌套元组；如果time_major == True，则必须是形状为[max_time, batch_size, …]的张量，或这些元素的嵌套元组。
4.sequence_length:（可选）int32/int64向量，size为[batch_size]，包含批处理中每个序列的实际长度。如果未提供，则假定所有批次条目都是完整序列；对每个序列从时间0到max_time应用时间反转。
5.initial_state_fw:（可选）正向RNN的初始状态。这必须是适当类型和形状为[batch_size, cell_fw.state_size]的张量。如果cell_fw.state_size是一个元组，这应该是一个张量元组，在cell_fw.state_size中s具有形状[batch_size, s]。
6.initial_state_bw:（可选）与initial_state_fw相同，但使用与cell_bw相应的属性。
7.dtype:（可选）初始状态和预期输出的数据类型；如果未提供initial_states或RNN状态具有异构dtype，则为必需有的。

返回:

元组（outputs，output_states），其中：

outputs：包含正向和反向rnn输出的元组（output_fw，output_bw）。

如果time_major == False（默认值），则output_fw将是形状为[batch_size, max_time, cell_fw.output_size]的张量，则output_bw将是形状为[batch_size, max_time, cell_bw.output_size]的张量；
如果time_major == True，则output_fw将是形状为[max_time, batch_size, cell_fw.output_size]的张量；output_bw将会是形状为[max_time, batch_size, cell_bw.output_size]的张量。
与bidirectional_rnn不同，它返回一个元组而不是单个连接的张量。如果优选连接的，则正向和反向输出可以连接为tf.concat(outputs, 2)。
output_states：包含双向rnn的正向和反向最终状态的元组。

tf.nn.static_bidirectional_rnn

tf.nn.static_bidirectional_rnn(
    cell_fw,
    cell_bw,
    inputs,
    initial_state_fw=None,
    initial_state_bw=None,
    dtype=None,
    sequence_length=None,
    scope=None
)

主要参数：

1.cell_fw:用于前向传播的RNNCell.
2.cell_bw: 用于反向传播的RNNCell.
3.inputs: A length T list of inputs, each a tensor of shape [batch_size, input_size], or a nested tuple of such elements.（输入 数据为list类型，list中元素为Tensor,每个Tensor的shape为[batch_size, input_size],如有batch_size个文档，每个文档的单词数量为1000，每个单词的词向量维度为100，则该inputs为list(1000tensor(batch_size100))）
4.initial_state_fw: 正向RNN的初始状态。这必须是适当类型和形状为[batch_size, cell_fw.state_size]的张量。如果cell_fw.state_size是一个元组，这应该是一个张量元组，在cell_fw.state_size中s具有形状[batch_size, s]。
5.dtype: （可选）初始状态和预期输出的数据类型；如果未提供initial_states或RNN状态具有异构dtype，则为必需有的。

返回：

(outputs, output_state_fw, output_state_bw)

区别：

动态中
input的形状[batch_size, max_time, …]
tf.concat(outputs, 2)
outputs[:,-1,:]是最后一个时间步的输出

静态中
input的形状[batch_size, input_size]，需要将数据转化成steps*[batch_size,input_size]的格式。
outputs[-1]是最后一个时间步的输出