快捷導(dǎo)航

python循環(huán)神經(jīng)網(wǎng)絡(luò)RNN函數(shù)tf.nn.dynamic_rnn使用

更新時間：2022年05月05日 10:20:46 作者：Bubbliiiing

這篇文章主要為大家介紹了python循環(huán)神經(jīng)網(wǎng)絡(luò)RNN的tf.nn.dynamic_rnn使用示例，有需要的朋友可以借鑒參考下，希望能夠有所幫助，祝大家多多進(jìn)步，早日升職加薪

學(xué)習(xí)前言

已經(jīng)完成了RNN網(wǎng)絡(luò)的構(gòu)建，但是我們對于RNN網(wǎng)絡(luò)還有許多疑問，特別是tf.nn.dynamic_rnn函數(shù)，其具體的應(yīng)用方式我們并不熟悉，查詢了一下資料，我心里的想法是這樣的。

tf.nn.dynamic_rnn的定義

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
)

cell：上文所定義的lstm_cell。
inputs：RNN輸入。如果time_major==false（默認(rèn)），則必須是如下shape的tensor：[batch_size，max_time，…]或此類元素的嵌套元組。如果time_major==true，則必須是如下形狀的tensor：[max_time，batch_size，…]或此類元素的嵌套元組。
sequence_length：Int32/Int64矢量大小。用于在超過批處理元素的序列長度時復(fù)制通過狀態(tài)和零輸出。因此，它更多的是為了性能而不是正確性。
initial_state：上文所定義的_init_state。
dtype：數(shù)據(jù)類型。
parallel_iterations：并行運行的迭代次數(shù)。那些不具有任何時間依賴性并且可以并行運行的操作將是。這個參數(shù)用時間來交換空間。值>>1使用更多的內(nèi)存，但花費的時間更少，而較小的值使用更少的內(nèi)存，但計算需要更長的時間。
time_major：輸入和輸出tensor的形狀格式。如果為True，這些張量的形狀必須是[max_time，batch_size，depth]。如果為False，這些張量的形狀必須是[batch_size，max_time，depth]。使用time_major=true會更有效率，因為它可以避免在RNN計算的開始和結(jié)束時進(jìn)行換位。但是，大多數(shù)TensorFlow數(shù)據(jù)都是批處理主數(shù)據(jù)，因此默認(rèn)情況下，此函數(shù)為False。
scope：創(chuàng)建的子圖的可變作用域；默認(rèn)為“RNN”。

其返回值為outputs,states。

outputs：RNN的最后一層的輸出，是一個tensor。如果為time_major== False，則它的shape為[batch_size,max_time,cell.output_size]。如果為time_major== True，則它的shape為[max_time,batch_size,cell.output_size]。

states：是每一層的最后一個step的輸出，是一個tensor。state是最終的狀態(tài)，也就是序列中最后一個cell輸出的狀態(tài)。一般情況下states的形狀為 [batch_size, cell.output_size]，但當(dāng)輸入的cell為BasicLSTMCell時，states的形狀為[2，batch_size, cell.output_size ]，其中2也對應(yīng)著LSTM中的cell state和hidden state。

tf.nn.dynamic_rnn的使用舉例

單層實驗

我們首先使用單層的RNN進(jìn)行實驗。

使用的代碼為：

import tensorflow as tf
import numpy as np
n_steps = 2         #兩個step
n_inputs = 3        #每個input是三維
n_nerve = 4         #神經(jīng)元個數(shù)
X = tf.placeholder(tf.float32, [None, n_steps, n_inputs])
basic_cell = tf.nn.rnn_cell.BasicRNNCell(num_units=n_nerve)
outputs, states = tf.nn.dynamic_rnn(basic_cell, X, dtype=tf.float32)
init = tf.global_variables_initializer()
X_batch = np.array([[[0, 1, 2], [1, 2, 3]],
                    [[3, 4, 5], [4, 5, 6]],
                    [[5, 6, 7], [6, 7, 8]],
                    [[7, 8, 9], [8, 9, 10]]])
with tf.Session() as sess:
    sess.run(init)
    outputs_val, states_val = sess.run([outputs, states], feed_dict={X: X_batch})
    print("outputs:", outputs_val) 
    print("states:", states_val)

輸出的log為：

outputs: [[[0.92146313 0.6069534  0.24989243 0.9305415 ]
		   [0.9234855  0.8470011  0.7865616  0.99935764]]
 	  	   [[0.9772771  0.9713368  0.99483156 0.9999987 ]
  	 	   [0.9753329  0.99538314 0.9988139  1.        ]]
		   [[0.9901842  0.99558043 0.9998626  1.        ]
  		   [0.989398   0.9992842  0.9999691  1.        ]]
 		   [[0.99577546 0.9993256  0.99999636 1.        ]
  		   [0.9954579  0.9998903  0.99999917 1.        ]]]
states: [[0.9234855  0.8470011  0.7865616  0.99935764]
 		 [0.9753329  0.99538314 0.9988139  1.        ]
		 [0.989398   0.9992842  0.9999691  1.        ]
 		 [0.9954579  0.9998903  0.99999917 1.        ]]

Xin的shape是[batch_size = 4, max_time = 2, depth = 3]。
outputs的shape是[batch_size = 4, max_time = 2, cell.output_size = 4]。
states的shape是[batch_size = 4, cell.output_size = 4]

在time_major = False的時候：

Xin、outputs、states的第一維，都是batch_size，即用于訓(xùn)練的batch的大小。
Xin、outputs的第二維，都是max_time，在本文中對應(yīng)著RNN的兩個step。
outputs、states的最后一維指的是每一個RNN的Cell的輸出，本文的RNN的Cell的n_nerve為4，所以cell.output_size = 4。Xin的最后一維指的是每一個輸入樣本的維度。
outputs對應(yīng)的是RNN的最后一層的輸出，states對應(yīng)的是每一層的最后一個step的輸出。在RNN的層數(shù)僅1層的時候，states的輸出對應(yīng)為outputs最后的step的輸出。

多層實驗

接下來我們使用兩層的RNN進(jìn)行實驗。

使用的代碼為：

import tensorflow as tf
import numpy as np
n_steps = 2         #兩個step
n_inputs = 3        #每個input是三維
n_nerve = 4         #神經(jīng)元個數(shù)
X = tf.placeholder(tf.float32, [None, n_steps, n_inputs])
#定義多層
layers = [tf.nn.rnn_cell.BasicRNNCell(num_units=n_nerve) for i in range(2)]
multi_layer_cell = tf.contrib.rnn.MultiRNNCell(layers)
outputs, states = tf.nn.dynamic_rnn(multi_layer_cell, X, dtype=tf.float32)
init = tf.global_variables_initializer()
X_batch = np.array([[[0, 1, 2], [1, 2, 3]],
                    [[3, 4, 5], [4, 5, 6]],
                    [[5, 6, 7], [6, 7, 8]],
                    [[7, 8, 9], [8, 9, 10]]])
with tf.Session() as sess:
    sess.run(init)
    outputs_val, states_val = sess.run([outputs, states], feed_dict={X: X_batch})
    print("outputs:", outputs_val) 
    print("states:", states_val)

輸出的log為：

outputs: [[[-0.577939   -0.3657474  -0.21074213  0.8188577 ]
		   [-0.67090076 -0.47001836 -0.40080917  0.6026697 ]]
 		   [[-0.72777444 -0.36500326 -0.7526911   0.86113644]
  		   [-0.7928404  -0.6413429  -0.61007065  0.787065  ]]
 		   [[-0.7537433  -0.35850585 -0.83090436  0.8573037 ]
  		   [-0.82016116 -0.6559162  -0.7360482   0.7915131 ]]
 		   [[-0.7597004  -0.35760364 -0.8450942   0.8567379 ]
  		   [-0.8276395  -0.6573326  -0.7727142   0.7895221 ]]]
states: (array([[-0.71645427, -0.0585744 ,  0.95318353,  0.8424729 ],
       		   [-0.99845   , -0.5044571 ,  0.9955299 ,  0.9750488 ],
       		   [-0.99992913, -0.8408632 ,  0.99885863,  0.9932366 ],
       		   [-0.99999577, -0.9672    ,  0.9996866 ,  0.99814796]],
      		   dtype=float32), 
      	array([[-0.67090076, -0.47001836, -0.40080917,  0.6026697 ],
       		   [-0.7928404 , -0.6413429 , -0.61007065,  0.787065  ],
       		   [-0.82016116, -0.6559162 , -0.7360482 ,  0.7915131 ],
       		   [-0.8276395 , -0.6573326 , -0.7727142 ,  0.7895221 ]],
      		   dtype=float32))

可以看出來outputs對應(yīng)的是RNN的最后一層的輸出，states對應(yīng)的是每一層的最后一個step的輸出，在完成了兩層的定義后，outputs的shape并沒有變化，而states的內(nèi)容多了一層，分別對應(yīng)RNN的兩層輸出。

state中最后一層輸出對應(yīng)著outputs最后一步的輸出。

以上就是python循環(huán)神經(jīng)網(wǎng)絡(luò)RNN函數(shù)tf.nn.dynamic_rnn使用的詳細(xì)內(nèi)容，更多關(guān)于RNN函數(shù)tf.nn.dynamic_rnn的資料請關(guān)注腳本之家其它相關(guān)文章！

您可能感興趣的文章: