tensorflow学习，循环神经网络（RNN）相关的函数简介（25）

本节，将介绍 tensorflow 实现循环神经网络 RNN 的主要函数。

实现 RNN 的基本单元 RNNCell

RNNCell 是 tensorflow 中的循环神经网络的基本单元，它是一个抽象类，本身不能实例化。它的两个子类，一个 BasicRNNCell，另一个BasicLSTMCell，分别对应经典循环神经网络，和长短记忆循环神经网络。

学习 RNNCell 要重点关注三个地方：

类方法 call
类属性 state_size
类属性 output_size

简单的说，call方法就是用来计算隐状态的。关于隐状态可以参考前面两节（RNN和LSTM）。而state_size和output_size则表示隐状态的大小和输出向量的大小。

output, next_state = call(input, state)
通常 input 的形状是 [batch_size, input_size]，所以隐状态的形状 [batch_size, state_size]，输出形状[batch_size, output_size]。

定义经典 RNN 单元的方法

rnnCell = tf.nn.rnn_cell.BasicRNNCell(num_units=128)
print rnnCell.state_size
# 应 state_size = 128

定义 LSTM 单元的方法

lstmCell = tf.nn.rnn_cell.BasicLSTMCell(num_units=128)
print lstmCell.state_size
# 应 state_size = LSTMStateTuple(c=128, h=128)

多层循环神经网络：MultiRNNCell

很多时候，单层 RNN 的能力有限，需要多层 RNN，在 tensorflow 中，可以使用 tf.nn.rnn_cell.MultiRNNCell 函数建立多层的 RNN，下面是一个示例小 demo

import tensorflow as tf
import numpy as np

# 创建单个cell并堆叠多层
def get_a_cell(lstm_size, keep_prob):
    rnn = tf.nn.rnn_cell.BasicRNNCell(num_units=128)
    return rnn
# 建立 3 层
cell = tf.nn.rnn_cell.MultiRNNCell([get_a_cell() for _ in range(3)])

这里 cell 的 state_size 为（128，128，128），表示有 3 个隐状态，每个隐状态大小为 128。

MultiRNNCell 也是 RNNCell 的子类，所以它也有 call 方法，和 state_size, output_size 属性。

使用 dynamic_rnn 展开时间维度

对于单个 RNNCell，使用它的 call 方法进行运算时，只在序列时间是前进了一步。如使用 x1，h0 计算得到 h1，根据 x2，h1 计算得到 h2等。如果序列长度为 n，就需要调用 n 次 call 函数。tensorflow 提供了 tf.nn.dynamic_rnn 函数，等价于调用 n 次 call 函数。即通过 {h0, x1, x2, x3, ...} 直接得到 {h1, h2, ...}

outputs, state = tf.nn.dynamic_rnn(cell, inputs)

至此，建立循环神经网络的几个比较重要的 tensorflow 函数就介绍完了，下一节将尝试建立 RNN 网络，训练其作诗。

本节主要参考《21个项目玩转深度学习》。