tensorflow
Tworzenie RNN, LSTM i dwukierunkowych RNN / LSTM za pomocą TensorFlow

Tworzenie dwukierunkowego LSTM

import tensorflow as tf

dims, layers = 32, 2
# Creating the forward and backwards cells
lstm_fw_cell = tf.nn.rnn_cell.BasicLSTMCell(dims, forget_bias=1.0)
lstm_bw_cell = tf.nn.rnn_cell.BasicLSTMCell(dims, forget_bias=1.0)
# Pass lstm_fw_cell / lstm_bw_cell directly to tf.nn.bidrectional_rnn
# if only a single layer is needed
lstm_fw_multicell = tf.nn.rnn_cell.MultiRNNCell([lstm_fw_cell]*layers)
lstm_bw_multicell = tf.nn.rnn_cell.MultiRNNCell([lstm_bw_cell]*layers)

# tf.nn.bidirectional_rnn takes a list of tensors with shape 
# [batch_size x cell_fw.state_size], so separate the input into discrete
# timesteps.
_X = tf.unpack(state_below, axis=1)
# state_fw and state_bw are the final states of the forwards/backwards LSTM, respectively
outputs, state_fw, state_bw = tf.nn.bidirectional_rnn(lstm_fw_multicell, lstm_bw_multicell, _X, dtype='float32')

Parametry

• state_below to tensor 3D o następujących wymiarach: [ batch_size , maksymalny indeks sekwencji, dims ]. Wynika to z poprzedniej operacji, takiej jak wyszukiwanie słowa osadzonego.
• dims to liczba ukrytych jednostek.
• layers można dopasować powyżej 1, aby utworzyć skumulowaną sieć LSTM .

Notatki

• tf.unpack może nie być w stanie określić wielkości danej osi (w nums przypadku nums argumentu nums ).
• Pomocne może być dodanie dodatkowego mnożenia masy + odchylenia poniżej LSTM (np. tf.matmul(state_below, U) + b .