Python tf.compat.v1.nn.static_rnn用法及代码示例

创建由 RNNCell cell 指定的循环神经网络。 (已弃用)

用法

tf.compat.v1.nn.static_rnn(
    cell, inputs, initial_state=None, dtype=None, sequence_length=None, scope=None
)

参数

cell RNNCell 的一个实例。
inputs 一个长度为 T 的输入列表，每个输入都是一个形状为 [batch_size, input_size] 的 Tensor 或此类元素的嵌套元组。
initial_state (可选)RNN 的初始状态。如果 cell.state_size 是整数，则它必须是具有适当类型和形状的 Tensor [batch_size, cell.state_size] 。如果 cell.state_size 是一个元组，这应该是一个具有形状 [batch_size, s] for s in cell.state_size 的张量的元组。
dtype (可选)初始状态和预期输出的数据类型。如果未提供 initial_state 或 RNN 状态具有异构 dtype，则为必需。
sequence_length 指定输入中每个序列的长度。一个 int32 或 int64 向量(张量)大小 [batch_size] ，值在 [0, T) 。
scope 创建的子图的变量范围；默认为"rnn"。

一对(输出，状态)，其中：
- 输出是一个长度为 T 的输出列表(每个输入一个)，或这些元素的嵌套元组。
- state 是最终状态

抛出

TypeError 如果cell 不是 RNNCell 的实例。
ValueError 如果 inputs 是 None 或空列表，或者无法通过形状推断从输入推断输入深度(列大小)。

警告：此函数已弃用。它将在未来的版本中删除。更新说明：请使用keras.layers.RNN(cell, unroll=True)，相当于这个API

生成的最简单的 RNN 网络形式是：

state = cell.zero_state(...)
  outputs = []
  for input_ in inputs:
    output, state = cell(input_, state)
    outputs.append(output)
  return (outputs, state)

但是，还有一些其他选项可用：

可以提供初始状态。如果提供了sequence_length向量，则进行动态计算。这种计算方法不会计算超过 minibatch 的最大序列长度的 RNN 步长(从而节省计算时间)，并以示例的序列长度正确地将状态传播到最终状态输出。

执行的动态计算是，在时间 t 为批次行 b ，

(output, state)(b, t) =
    (t >= sequence_length(b))
      ? (zeros(cell.output_size), states(b, sequence_length(b) - 1))
     :cell(input(b, t), state(b, t - 1))

相关用法

注：本文由纯净天空筛选整理自tensorflow.org大神的英文原创作品 tf.compat.v1.nn.static_rnn。非经特殊声明，原始代码版权归原作者所有，本译文未经允许或授权，请勿转载或复制。

用法

参数

返回

抛出