我在tensorflow中找到了两种RNN实现.
第一个实现是this(从第124行到第129行).它使用循环来定义RNN中的每个输入步骤.
@H_403_8@with tf.variable_scope("RNN"): for time_step in range(num_steps): if time_step > 0: tf.get_variable_scope().reuse_variables() (cell_output,state) = cell(inputs[:,time_step,:],state) outputs.append(cell_output) states.append(state)
第二个实现是this(从第51行到第70行).它不使用任何循环来定义RNN中的每个输入步骤.
@H_403_8@def RNN(_X,_istate,_weights,_biases): # input shape: (batch_size,n_steps,n_input) _X = tf.transpose(_X,[1,2]) # permute n_steps and batch_size # Reshape to prepare input to hidden activation _X = tf.reshape(_X,[-1,n_input]) # (n_steps*batch_size,n_input) # Linear activation _X = tf.matmul(_X,_weights['hidden']) + _biases['hidden'] # Define a lstm cell with tensorflow lstm_cell = rnn_cell.BasicLSTMCell(n_hidden,forget_bias=1.0) # Split data because rnn cell needs a list of inputs for the RNN inner loop _X = tf.split(0,_X) # n_steps * (batch_size,n_hidden) # Get lstm cell output outputs,states = rnn.rnn(lstm_cell,_X,initial_state=_istate) # Linear activation # Get inner loop last output return tf.matmul(outputs[-1],_weights['out']) + _biases['out']
在第一个实现中,我发现输入单元到隐藏单元之间没有权重矩阵,只定义隐藏单元到输出单元之间的权重矩阵(从132到133行).
@H_403_8@output = tf.reshape(tf.concat(1,outputs),size]) softmax_w = tf.get_variable("softmax_w",[size,vocab_size]) softmax_b = tf.get_variable("softmax_b",[vocab_size]) logits = tf.matmul(output,softmax_w) + softmax_b
但是在第二种实现中,定义了两个权重矩阵(从第42行到第47行).
@H_403_8@weights = { 'hidden': tf.Variable(tf.random_normal([n_input,n_hidden])),# Hidden layer weights 'out': tf.Variable(tf.random_normal([n_hidden,n_classes])) } biases = { 'hidden': tf.Variable(tf.random_normal([n_hidden])),'out': tf.Variable(tf.random_normal([n_classes])) }
我想知道为什么？
最佳答案
我注意到的差异是second implementation中的代码使用tf.nn.rnn,它获取每个时间步的输入列表并生成每个时间步的输出列表.
(输入：输入的长度T列表,每个都是一个形状的张量
[batch_size,input_size].)
因此,如果您检查第62行第二个实现中的代码,输入数据将被整形为n_steps *(batch_size,n_hidden)
@H_403_8@# Split data because rnn cell needs a list of inputs for the RNN inner loop _X = tf.split(0,n_hidden)
在1st implementation中,它们循环遍历n_time_steps并提供输入并获得相应的输出并存储在输出列表中.
第113到117行的代码段
@H_403_8@outputs = [] state = self._initial_state with tf.variable_scope("RNN"): for time_step in range(num_steps): if time_step > 0: tf.get_variable_scope().reuse_variables() (cell_output,state) outputs.append(cell_output)
来到你的第二个问题：
如果您仔细注意在两种实现中输入都被馈送到RNN的方式.
在第一个实现中,输入的形状已经是batch_size x num_steps(这里num_steps是隐藏的大小)：
@H_403_8@self._input_data = tf.placeholder(tf.int32,[batch_size,num_steps])
而在第二种实现中,初始输入具有形状(batch_size x n_steps x n_input).因此需要权重矩阵转换为形状(n_steps x batch_size x hidden_size)：
@H_403_8@ # Input shape: (batch_size,2]) # Permute n_steps and batch_size # Reshape to prepare input to hidden activation _X = tf.reshape(_X,_weights['hidden']) + _biases['hidden'] # Split data because rnn cell needs a list of inputs for the RNN inner loop _X = tf.split(0,n_hidden)
我希望这是有帮助的…