TensorFlow dynamic_rnn状态

时间:2018-01-13 08:15:02

标签: python tensorflow machine-learning neural-network recurrent-neural-network

我的问题是关于TensorFlow方法tf.nn.dynamic_rnn。它返回每个时间步的输出和最终状态。

我想知道返回的最终状态是最大序列长度的单元格状态,还是由sequence_length参数单独确定。

为了更好地理解一个例子:我有3个长度为[10,20,30]的序列并返回最终状态[3,512](如果单元格的隐藏状态长度为512)。

三个序列的三个返回隐藏状态是时间步骤30中单元格的状态还是我在步骤[10,20,30]时恢复状态?

1 个答案:

答案 0 :(得分:6)

tf.nn.dynamic_rnn返回两个张量:outputsstates

outputs保存批次中所有序列的所有单元格的输出。因此,如果特定序列较短并用零填充,则最后一个单元格的outputs将为零。

states保存最后一个单元格状态,或等效地表示每个序列的最后一个非零输出(如果您使用BasicRNNCell)。

以下是一个例子:

import numpy as np
import tensorflow as tf

n_steps = 2
n_inputs = 3
n_neurons = 5

X = tf.placeholder(dtype=tf.float32, shape=[None, n_steps, n_inputs])
seq_length = tf.placeholder(tf.int32, [None])

basic_cell = tf.nn.rnn_cell.BasicRNNCell(num_units=n_neurons)
outputs, states = tf.nn.dynamic_rnn(basic_cell, X, sequence_length=seq_length, dtype=tf.float32)

X_batch = np.array([
  # t = 0      t = 1
  [[0, 1, 2], [9, 8, 7]], # instance 0
  [[3, 4, 5], [0, 0, 0]], # instance 1
])
seq_length_batch = np.array([2, 1])

with tf.Session() as sess:
  sess.run(tf.global_variables_initializer())
  outputs_val, states_val = sess.run([outputs, states], 
                                     feed_dict={X: X_batch, seq_length: seq_length_batch})

  print('outputs:')
  print(outputs_val)
  print('\nstates:')
  print(states_val)

这打印如下:

outputs:
[[[-0.85381496 -0.19517037  0.36011398 -0.18617202  0.39162001]
  [-0.99998015 -0.99461144 -0.82241321  0.93778896  0.90737367]]

 [[-0.99849552 -0.88643843  0.20635395  0.157896    0.76042926]
  [ 0.          0.          0.          0.          0.        ]]]  # because len=1

states:
[[-0.99998015 -0.99461144 -0.82241321  0.93778896  0.90737367]
 [-0.99849552 -0.88643843  0.20635395  0.157896    0.76042926]]

请注意,states包含与output中相同的向量,它们是每个批次实例的最后一个非零输出。