• tf.nn.rnn_cell.BasicLSTMCell(n_hidden, forget_bias=1.0, state_is_tuple=True):

 n_hidden表示神经元的个数，

forget_bias就是LSTM们的忘记系数，如果等于1，就是不会忘记任何信息。如果等于0，就都忘记。

SRE实战 互联网时代守护先锋，助力企业售后服务体系运筹帷幄！一键直达领取阿里云限量特价优惠。

state_is_tuple默认就是True，官方建议用True，就是表示返回的状态用一个元祖表示。

这个里面存在一个状态初始化函数，就是zero_state（batch_size，dtype）两个参数。batch_size就是输入样本批次的数目，dtype就是数据类型。

  • tf.nn.dynamic_rnn(cell,inputs,sequence_length=None, initial_state=None,dtype=None, parallel_iterations=None,swap_memory=False, time_major=False, scope=None)

tf.nn.dynamic_rnn的作用：

　　对于单个 RNNCell ，使用call 函数进行运算时，只在序列时间上前进了一步 ，如使用 x1、 ho 得到此h1，通过 x2 、h1 得到 h2 等 。

　　如果序列长度为n，要调用n次call函数，比较麻烦。对此提供了一个tf.nn.dynamic_mn函数，使用该函数相当于调用了n次call函数。通过{ho, x1 , x2，…，xn} 直接得到{h1 , h2，…，hn} 。

　　具体来说，设输入数据inputs格式为（batch_size, time_steps, input_size），其中batch_size表示batch的大小。time_steps序列长度，input_size输入数据单个序列单个时间维度上固有的长度。

　　得到的outputs是time_steps步里所有的输出。它的形状为(batch_size, time_steps, cell.output_size）。state 是最后一步的隐状态，形状为（batch_size, cell . state_size） 。

2019年4月8日 Tensorflow 搭建自己的神经网络(四) 随笔

扫码关注我们
微信号：SRE实战
拒绝背锅 运筹帷幄