tf.nn.bidirectional_dynamic_rnn()

函式：

def bidirectional_dynamic_rnn(
  cell_fw,# 前向RNN
  cell_bw,# 後向RNN
  inputs,# 輸入
  sequence_length=None,# 輸入序列的實際長度（可選，預設為輸入序列的最大長度）
  initial_state_fw=None,# 前向的初始化狀態（可選）
  initial_state_bw=None,# 後向的初始化狀態（可選）
  dtype=None,# 初始化和輸出的資料型別（可選）
  parallel_iterations=None,swap_memory=False,time_major=False,# 決定了輸入輸出tensor的格式：如果為true,向量的形狀必須為 `[max_time,batch_size,depth]`.
  # 如果為false,tensor的形狀必須為`[batch_size,max_time,depth]`.
  scope=None
)

其中，

outputs為(output_fw,output_bw)，是一個包含前向cell輸出tensor和後向cell輸出tensor組成的元組。假設

time_major=false,tensor的shape為[batch_size,depth]。實驗中使用tf.concat(outputs,2)將其拼接。

output_states為(output_state_fw,output_state_bw)，包含了前向和後向最後的隱藏狀態的組成的元組。

output_state_fw和output_state_bw的型別為LSTMStateTuple。

LSTMStateTuple由（c，h）組成，分別代表memory cell和hidden state。

返回值：

元組：(outputs,output_states)

這裡還有最後的一個小問題，output_states是一個元組的元組，處理方法是用c_fw,h_fw = output_state_fw和c_bw,h_bw = output_state_bw，最後再分別將c和h狀態concat起來，用tf.contrib.rnn.LSTMStateTuple()函式生成decoder端的初始狀態

def encoding_layer(rnn_size,sequence_length,num_layers,rnn_inputs,keep_prob):
  # rnn_size: rnn隱層節點數量
  # sequence_length: 資料的序列長度
  # num_layers:堆疊的rnn cell數量
  # rnn_inputs: 輸入tensor
  # keep_prob:
  '''Create the encoding layer'''
  for layer in range(num_layers):
    with tf.variable_scope('encode_{}'.format(layer)):
      cell_fw = tf.contrib.rnn.LSTMCell(rnn_size,initializer=tf.random_uniform_initializer(-0.1,0.1,seed=2))
      cell_fw = tf.contrib.rnn.DropoutWrapper(cell_fw,input_keep_prob=keep_prob)
 
      cell_bw = tf.contrib.rnn.LSTMCell(rnn_size,seed=2))
      cell_bw = tf.contrib.rnn.DropoutWrapper(cell_bw,input_keep_prob = keep_prob)
 
      enc_output,enc_state = tf.nn.bidirectional_dynamic_rnn(cell_fw,cell_bw,dtype=tf.float32)
 
  # join outputs since we are using a bidirectional RNN
  enc_output = tf.concat(enc_output,2) 
  return enc_output,enc_state

tf.nn.dynamic_rnn()

tf.nn.dynamic_rnn的返回值有兩個：outputs和state

為了描述輸出的形狀，先介紹幾個變數，batch_size是輸入的這批資料的數量，max_time就是這批資料中序列的最長長度，如果輸入的三個句子，那max_time對應的就是最長句子的單詞數量，cell.output_size其實就是rnn cell中神經元的個數。

例子來說明其用法，假設你的RNN的輸入input是[2,20,128]，其中2是batch_size，20是文字最大長度，128是embedding_size，可以看出，有兩個example，我們假設第二個文字長度只有13，剩下的7個是使用0-padding方法填充的。dynamic返回的是兩個引數：outputs,state，其中outputs是[2,128]，也就是每一個迭代隱狀態的輸出，state是由(c,h)組成的tuple，均為[batch,128]。

outputs. outputs是一個tensor

如果time_major==True，outputs形狀為 [max_time,cell.output_size ]（要求rnn輸入與rnn輸出形狀保持一致）

如果time_major==False（預設），outputs形狀為 [ batch_size,cell.output_size ]

state. state是一個tensor。state是最終的狀態，也就是序列中最後一個cell輸出的狀態。一般情況下state的形狀為 [batch_size,cell.output_size ]，但當輸入的cell為BasicLSTMCell時，state的形狀為[2，batch_size,cell.output_size ]，其中2也對應著LSTM中的cell state和hidden state。

這裡有關於LSTM的結構問題：

以上這篇淺談Tensorflow 動態雙向RNN的輸出問題就是小編分享給大家的全部內容了，希望能給大家一個參考，也希望大家多多支援我們。