LSTM 代码实践中的各种问题以及注释

1、tf.nn.dynamic_rnn 的作用

答案：解决基础的 RNNCell 每次只能在时间上前进了一步的缺点

2、bidirectional_dynamic_rnn 的参数及其注释

def bidirectional_dynamic_rnn(

cell_fw, # 前向RNN

cell_bw, # 后向RNN

inputs, # 输入

sequence_length=None,# 输入序列的实际长度（可选，默认为输入序列的最大长度）

initial_state_fw=None,  # 前向的初始化状态（可选）

initial_state_bw=None,  # 后向的初始化状态（可选）

dtype=None, # 初始化和输出的数据类型（可选）

parallel_iterations=None, # 并行执行循环的个数

swap_memory=False, # 交换内存

time_major=False,

# 决定了输入输出tensor的格式：如果为true, 向量的形状必须为 `[max_time, batch_size, depth]`.

# 如果为false, tensor的形状必须为`[batch_size, max_time, depth]`.

scope=None

)

————————————————

版权声明：本文为CSDN博主「Ai_践行者」的原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接及本声明。

原文链接：https://blog.csdn.net/qq_41424519/article/details/82112904

3、

class DropoutWrapper(RNNCell):

"""Operator adding dropout to inputs and outputs of the given cell."""

  def __init__(self, cell, input_keep_prob=1.0, output_keep_prob=1.0,

              state_keep_prob=1.0, variational_recurrent=False,

              input_size=None, dtype=None, seed=None,

              dropout_state_filter_visitor=None):

函数注释：

这是一个能够对 cell 的输入、状态、输出进行随机缺失的装饰类

参数注释：

cell：一个 RNN cell

input_keep_prob：保持不缺失的可能性

output_keep_prob：保持不缺失的可能性

state_keep_prob：保持不缺失的可能性

variational_recurrent：默认为 False，如果设置为 True，则对每一步都进行缺失屏蔽处理

input_size：输入的维度

dropout_state_filter_visitor：自定义函数

def dropout_state_filter_visitor(s):

          if isinstance(s, LSTMCellState):

            # Never perform dropout on the c state.

            return LSTMCellState(c=False, h=True)

          elif isinstance(s, TensorArray):

            return False

          return True