tensrflow lstm

tf.nn.rnn_cell.LSTMCell.__init__(num_units, input_size=None, use_peepholes=False, cell_clip=None, initializer=None, num_proj=None, num_unit_shards=1, num_proj_shards=1, forget_bias=1.0, state_is_tuple=False, activation=tanh)

• num_units: cell输出的维数（一个lstm的一个单元称为cell）
  
• state_is_tuple: 设置为true的话，返回（c_state, m_state）， false的话不知道返回啥
• 官网上说 不赞成使用inputsize这个参数，
  
• 函数的输出是一个cell
  

tf.nn.rnn_cell.DropoutWrapper.__init__(cell, input_keep_prob=1.0, output_keep_prob=1.0, seed=None)

• cell:就用上面代码返回的cell
• input_keep_prob / output_keep_prob :保留连接的比例
• 使用此函数可以使cell 后面接一个dropout
• 函数输出 后接dropout的cell
  

tf.nn.rnn_cell.MultiRNNCell.__init__(cells, state_is_tuple=False)

• 此函数用来搭建 多层的lstm网络
• cells： 一般用 [cell]*n.   n为你想搭的层数
• state_is_tuple: 同上
• 叠lstm的层数
• 返回的也是cell（大的）
  

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：搭好的网络， 即上个函数的返回值（是cell就可以）
• inputs：The RNN inputs.If time_major == False (default), this must be a tensor of shape:[batch_size, max_time, input_size].If time_major == True, this must be a tensor of shape:[max_time, batch_size, input_size].  batch_size: ....max_time指的是： 输入句子中单词的最大数量。input_size:每个单词向量的长度
• 网络是通过 max_time 的值进行按时间展开的。 max_time是 最长句子中单词的个数。
• sequence_size: 是一个向量：向量的每个值代表每个batch的 output的个数（假设batch1，有6个单词， 而max_time是10， 就可以将sequence_size[batch1]=6）
• 即：每个batch的句子中单词的数量（句子的长度）
  
• 一个batch代表一个句子
• 函数输出：outputs：维数[batch_size, max_time, cell.output_size] ,
  
• 函数输出：state是每行最后一个state的集合（tensor）， 假设n层 （n, cell.output_size）

参考 ：点击打开链接