tensorflow学习之static

2024-07-01 23:51| 来源: 网络整理| 查看: 265

tf.nn.static_bidirectional_rnn

Aliases:

tf.contrib.rnn.static_bidirectional_rnntf.nn.static_bidirectional_rnn

创建双向循环神经网络。

与单向循环神经网络类似，只不过双向循环神经网络同时接受前向和反向的RNN神经元，最终对前向和反向的输出进行深度级联，输出的格式如： [time][batch][cell_fw.output_size + cell_bw.output_size].前向和反向神经元的input_size必须匹配。默认情况下，前向和反向的初始状态为0，并且不反回任何中间状态。如果给定序列的长度，网络完全展开，如果没有给定长度，则不展开。

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 )

参数说明：

cell_fw:前向神经元，如BasicRNNCell.cell_bw:反向神经元input:网络输入，一个长度为T的list，list中的每个Tensor元素shape为[batch_size,input_size]initial_state_fw:可选参数。前向RNN的初始RNN，必须是合适类型的Tensor以及shape为[batch_size,cell_fw.state_size]。Initial_state_bw:可选参数。同initial_state_fw。dtype:初始状态的数据类型。sequence_length:一个int32/int64的向量，长度为[batch_size],包含每个序列的实际长度。scope:默认为”bidirectional_rnn

一个(outputs,output_state_fw,output_state_bw)的元组，其中，outputs是一个长度为T的list，list中的每个元素对应每个时间步的输出，它们是深度级联的前向和反向输出。output_state_fw是前向RNN的最终状态，output_state_bw是反向RNN的最终状态。

代码实例：

import tensorflow as tf fw_cell = tf.nn.rnn_cell.BasicRNNCell(128) bw_cell = tf.nn.rnn_cell.BasicRNNCell(256) inputs = tf.Variable(tf.random_normal([100, 40, 300])) # [batch_size,timestep,embedding_dim] inputs = tf.unstack(inputs, 40, axis=1) outputs, fw, bw = tf.nn.static_bidirectional_rnn(fw_cell, bw_cell, inputs, dtype=tf.float32) print(len(outputs)) # 40，40个时间步 print(outputs[0].shape) # (100, 384),每个时间步的输出神经元为384=128+256 print(outputs[1].shape) # (100, 384) print(fw.shape) # (100, 128),前向RNN隐藏层 print(bw.shape) # (100, 128)，后向RNN传播隐藏层

【本文地址】

公司简介

联系我们