手寫數字識別經典案例，旨在熟悉RNN結構，掌握tf編寫RNN的方法。

# coding:utf-8
import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data

mnist=input_data.read_data_sets("./data",one_hot=True)

# 常規參數
train_rate=0.001
train_step=10000
batch_size=1280
display_step=100

# rnn參數
frame_size=28 # 輸入特征數
sequence_length=28 # 輸入個數
hidden_num=100 # 隱層神經元個數
n_classes=10

# 定義輸入,輸出
# 此處輸入格式是樣本數*特征數，特征是把圖片拉成一維的，當然一維還是二維自己定，改成相應的代碼就行了
x=tf.placeholder(dtype=tf.float32,shape=[None,sequence_length*frame_size],name="inputx")
y=tf.placeholder(dtype=tf.float32,shape=[None,n_classes],name="expected_y")

# 定義權值
# 註意權值設定只設定v， u和w無需設定
weights=tf.Variable(tf.truncated_normal(shape=[hidden_num,n_classes])) # 全連接層權重
bias=tf.Variable(tf.zeros(shape=[n_classes]))

def RNN(x,weights,bias):
x=tf.reshape(x,shape=[-1,sequence_length,frame_size]) # 3維
rnn_cell=tf.nn.rnn_cell.BasicRNNCell(hidden_num)
init_state=tf.zeros(shape=[batch_size,rnn_cell.state_size])

# 其實這是一個深度RNN網絡,對於每一個長度為n的序列[x1,x2,x3,...,xn]的每一個xi,都會在深度方向跑一遍RNN,跑上hidden_num個隱層單元
output,states=tf.nn.dynamic_rnn(rnn_cell,x,dtype=tf.float32)

return tf.nn.softmax(tf.matmul(output[:,-1,:],weights)+bias,1) # y=softmax(vh+c)

predy=RNN(x,weights,bias)

# 以下所有神經網絡大同小異
cost=tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(logits=predy,labels=y))
train=tf.train.AdamOptimizer(train_rate).minimize(cost)

correct_pred=tf.equal(tf.argmax(predy,1),tf.argmax(y,1))
accuracy=tf.reduce_mean(tf.to_float(correct_pred))

sess=tf.Session()
sess.run(tf.global_variables_initializer())
step=1
testx,testy=mnist.test.next_batch(batch_size)
while step<train_step:
batch_x,batch_y=mnist.train.next_batch(batch_size)
_loss,__=sess.run([cost,train],feed_dict={x:batch_x,y:batch_y})
if step % display_step ==0:
acc,loss=sess.run([accuracy,cost],feed_dict={x:testx,y:testy})
print(step,acc,loss)

step+=1

這是最簡單的RNN，後面還有非常非常非常復雜的在等你。

rnn-tf代碼詳解