在张量流中，如何迭代存储在张量中的一系列输入？

Question

我在可变长度多变量序列分类问题上尝试RNN。

我已经定义了以下函数来获取序列的输出（即，从序列输入的最终输入后​​RNN单元的输出）

def get_sequence_output(x_sequence, initial_hidden_state):
    previous_hidden_state = initial_hidden_state
    for x_single in x_sequence:
        hidden_state = gru_unit(previous_hidden_state, x_single)
        previous_hidden_state = hidden_state
    final_hidden_state = hidden_state
    return final_hidden_state

此处x_sequence是第一个形状(?, ?, 10)的张量？是批量大小和第二？用于序列长度，每个输入元素的长度为10. gru函数采用先前的隐藏状态和当前输入并吐出下一个隐藏状态（标准的门控循环单元）。

我收到错误：'Tensor' object is not iterable. 如何以序列方式迭代Tensor（一次读取单个元素）？

我的目标是对序列中的每个输入应用gru函数并获得最终的隐藏状态。

Answer 1

在TF＆gt; = 1.0中，tf.pack和tf.unpack分别重命名为tf.stack和tf.unstack

Answer 2

您可以使用unpack函数将张量转换为列表，该函数将第一个维度转换为列表。还有一个分离功能，可以做类似的事情。我在我工作的RNN模型中使用unstack。

y = tf.unstack(tf.transpose(y, (1, 0, 2)))

在这种情况下，y从形状开始（BATCH_SIZE，TIME_STEPS，128）我将其转置为使时间步长为外部尺寸，然后将其解压缩到张量列表中，每个步骤一个。现在y列表中的每个元素（如果有形状）（BATCH_SIZE，128），我可以将它输入我的RNN。