deep_learning_Function_LSTM_dynamic_rnn

标签：dynamic   cell   seq   tmc   mem   net   href   tps   targe   

一、 tf.nn.dynamic_rnn的输出

tf.nn.dynamic_rnn的输入参数如下

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的返回值有两个：outputs和state

为了描述输出的形状，先介绍几个变量，batch_size是输入的这批数据的数量，max_time就是这批数据中序列的最长长度，如果输入的三个句子，那max_time对应的就是最长句子的单词数量，cell.output_size其实就是rnn cell中神经元的个数。

outputs. outputs是一个tensor
如果time_major==True，outputs形状为 [max_time, batch_size, cell.output_size ]（要求rnn输入与rnn输出形状保持一致）
如果time_major==False（默认），outputs形状为 [ batch_size, max_time, cell.output_size ]
state. state是一个tensor。state是最终的状态，也就是序列中最后一个cell输出的状态。一般情况下state的形状为 [batch_size, cell.output_size ]，但当输入的cell为BasicLSTMCell时，state的形状为[2，batch_size, cell.output_size ]，其中2也对应着LSTM中的cell state和hidden state
————————————————
原文链接：https://blog.csdn.net/u010960155/article/details/81707498

deep_learning_Function_LSTM_dynamic_rnn

标签：dynamic   cell   seq   tmc   mem   net   href   tps   targe   

原文地址：https://www.cnblogs.com/0405mxh/p/11634837.html