python – 张量流中两个RNN实现的区别是什么?

前端之家收集整理的这篇文章主要介绍了python – 张量流中两个RNN实现的区别是什么?前端之家小编觉得挺不错的,现在分享给大家,也给大家做个参考。

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)

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

@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…

猜你在找的Python相关文章