tensorflow学习笔记（六）：LSTM 与 GRU

[10.26.2016 更新]
[新增内容：今天写代码的时候，如果使用state_is_tuple=True, 那么

initial_state = lstm_cell.zero_state(batch_size, dtype=tf.float32)...with tf.Session() as sess:    tf.initialize_all_variables().run()    state = initial_state.eval()   #state_is_tuple=True的话，这里会报错，不用eval也会报错    sess.run([train_op, state],    #所以我使用了state_is_tuple=False,不知0.11.0会不会正常        feed_dict={        initial_state:state        })

]

LSTM & GRU

基本LSTM

tensorflow提供了LSTM实现的一个basic版本，不包含lstm的一些高级扩展，同时也提供了一个标准接口，其中包含了lstm的扩展。分别为：tf.nn.rnn_cell.BasicLSTMCell(), tf.nn.rnn_cell.LSTMCell()

LSTM的结构

盗用一下Understanding LSTM Networks上的图

图一

图二

图三
tensorflow中的BasicLSTMCell()是完全按照这个结构进行设计的

#tf.nn.rnn_cell.BasicLSTMCell(num_units, forget_bias, input_size, state_is_tupe=Flase, activation=tanh)cell = tf.nn.rnn_cell.BasicLSTMCell(num_units, forget_bias=1.0, input_size=None, state_is_tupe=Flase, activation=tanh)#num_units:图一中ht的维数，如果num_units=10,那么ht就是10维行向量#forget_bias：还不清楚这个是干嘛的#input_size:[batch_size, max_time, size]。假设要输入一句话，这句话的长度是不固定的，max_time就代表最长的那句话是多长，size表示你打算用多长的向量代表一个word，即embedding_size（embedding_size和size的值不一定要一样）#state_is_tuple:true的话，返回的状态是一个tuple:(c=array([[]]), h=array([[]]):其中c代表Ct的最后时间的输出，h代表Ht最后时间的输出，h是等于最后一个时间的output的#图三向上指的ht称为output#此函数返回一个lstm_cell，即图一中的一个A

如果你想要设计一个多层的LSTM网络，你就会用到tf.nn.rnn_cell.MultiRNNCell(cells, state_is_tuple=False),这里多层的意思上向上堆叠，而不是按时间展开

lstm_cell = tf.nn.rnn_cell.MultiRNNCells(cells, state_is_tuple=False)#cells:一个cell列表，将列表中的cell一个个堆叠起来，如果使用cells=[cell]*4的话，就是四曾，每层cell输入输出结构相同#如果state_is_tuple:则返回的是 n-tuple，其中n=len(cells): tuple:(c=[batch_size, num_units], h=[batch_size,num_units])

这是，网络已经搭好了，tensorflow提供了一个非常方便的方法来生成初始化网络的state

initial_state = lstm_cell.zero_state(batch_size, dtype=)#返回[batch_size, 2*len(cells)],或者[batch_size, s]#这个函数只是用来生成初始化值的

现在进行时间展开，有两种方法：
法一：
使用现成的接口：

tf.nn.dynamic_run(cell, inputs, sequence_length=None, initial_state=None,dtype=None,time_major=False)#此函数会通过，inputs中的max_time将网络按时间展开#cell:将上面的lstm_cell传入就可以#inputs:[batch_size, max_time, size]如果time_major=Flase. [max_time, batch_size, size]如果time_major=True#sequence_length:是一个list，如果你要输入三句话，且三句话的长度分别是5,10,25,那么sequence_length=[5,10,15]#返回：（outputs, states）:output，[batch_size, max_time, num_units]如果time_major=False。 [max_time,batch_size,num_units]如果time_major=True。states:[batch_size, 2*len(cells)]或[batch_size,s]#outputs输出的是最上面一层的输出，states保存的是最后一个时间输出的states

法二

outputs = []states = initial_stateswith tf.variable_scope("RNN"):    for time_step in range(max_time):        if time_step>0:tf.get_variable_scope().reuse_variables()#LSTM同一曾参数共享，        (cell_out, state) = lstm_cell(inputs[:,time_step,:], state)        outputs.append(cell_out)

已经得到输出了，就可以计算loss了,根据你自己的训练目的确定loss函数

GRU

GRU结构图
来自Understanding LSTM Networks

图四
tenforflow提供了tf.nn.rnn_cell.GRUCell()构建一个GRU单元

cell = tenforflow提供了tf.nn.rnn_cell.GRUCell(num_units, input_size=None, activation=tanh)#参考lstm cell 使用