使用tensorflow的估计器API计算RNN每个时期的权重矩阵和代价

，我们可以按照以下步骤进行：

首先，导入tensorflow库和所需的模块：

import tensorflow as tf
from tensorflow.contrib import rnn

定义RNN模型的参数：

n_input = 28       # 输入的特征数量（每个时间步的特征数）
n_steps = 28       # 时间步数（序列长度）
n_hidden = 128     # 隐藏层的单元数
n_classes = 10     # 输出的类别数量

定义输入数据的占位符：

x = tf.placeholder("float", [None, n_steps, n_input])
y = tf.placeholder("float", [None, n_classes])

定义RNN模型的权重和偏置变量：

weights = {
    'out': tf.Variable(tf.random_normal([n_hidden, n_classes]))
}
biases = {
    'out': tf.Variable(tf.random_normal([n_classes]))
}

定义RNN模型的网络结构：

def RNN(x, weights, biases):
    x = tf.unstack(x, n_steps, 1)
    lstm_cell = rnn.BasicLSTMCell(n_hidden, forget_bias=1.0)
    outputs, states = rnn.static_rnn(lstm_cell, x, dtype=tf.float32)
    return tf.matmul(outputs[-1], weights['out']) + biases['out']

构建模型：

logits = RNN(x, weights, biases)
prediction = tf.nn.softmax(logits)

定义损失函数和优化器：

loss_op = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(logits=logits, labels=y))
optimizer = tf.train.GradientDescentOptimizer(learning_rate=0.01)
train_op = optimizer.minimize(loss_op)

定义评估模型的准确率：

correct_pred = tf.equal(tf.argmax(prediction, 1), tf.argmax(y, 1))
accuracy = tf.reduce_mean(tf.cast(correct_pred, tf.float32))

初始化变量并启动会话：

init = tf.global_variables_initializer()
with tf.Session() as sess:
    sess.run(init)

    # 训练模型
    for epoch in range(epochs):
        # 执行训练操作

    # 计算每个时期的权重矩阵和代价
    weights_matrix = sess.run(weights['out'])
    cost = sess.run(loss_op, feed_dict={x: input_data, y: labels})

这里我们使用了tensorflow的估计器API来构建和训练RNN模型，其中包括定义模型参数、输入占位符、权重和偏置变量、网络结构、损失函数、优化器以及准确率评估方法。通过初始化变量并在会话中执行训练操作，可以获得每个时期的权重矩阵和代价。

推荐的腾讯云相关产品：腾讯云AI智能机器学习平台，该平台提供了强大的人工智能能力，包括机器学习、自然语言处理、图像识别等，可以帮助用户快速构建和训练各种AI模型。具体产品介绍和链接地址请参考腾讯云官方网站。