Tensorflow 2.0中的LSTM状态元组
LSTM（Long Short-Term Memory）是一种常用于序列数据处理的循环神经网络（RNN）模型，可以有效地解决传统RNN在长序列训练过程中的梯度消失和梯度爆炸问题。Tensorflow是一个广泛应用于机器学习和深度学习的开源框架，而Tensorflow 2.0是Tensorflow的一个重大更新版本，提供了更加简洁、易用和高效的API。
LSTM状态元组是指LSTM单元中的隐藏状态（hidden state）和细胞状态（cell state）。在每个时间步长，LSTM会根据当前输入、前一个时间步长的隐藏状态和细胞状态，计算出当前时间步长的隐藏状态和细胞状态，并传递到下一个时间步长。隐藏状态可以看作是LSTM对当前序列信息的编码表示，细胞状态则负责传递和记忆长期的序列信息。
LSTM状态元组的优势在于能够捕捉和利用长期依赖关系，使得模型可以更好地处理长序列数据。相比于传统的RNN，LSTM通过门控机制（如遗忘门、输入门和输出门），可以选择性地记忆、遗忘和输出信息，增强了模型对序列中重要信息的关注度。
LSTM在自然语言处理（NLP）、语音识别、机器翻译等序列数据处理任务中广泛应用。在NLP中，LSTM可以用于文本情感分类、命名实体识别等任务；在语音识别中，LSTM可以用于语音识别模型的建模；在机器翻译中，LSTM可以用于编码-解码模型的建立。
腾讯云提供了一系列与深度学习相关的产品和服务，如深度学习平台、AI推理、智能语音等。具体可以参考腾讯云的人工智能技术和深度学习页面，了解更多相关产品和服务的信息。
总结起来，LSTM状态元组是指LSTM模型中的隐藏状态和细胞状态，具有捕捉长期依赖关系的优势，适用于处理序列数据的任务。腾讯云提供了与深度学习相关的产品和服务，可供开发者使用。
相关·内容
我有以下代码：
def dense_layers(pool3):
with tf.variable_scope('local1') as scope:
# Move everything into depth so we can perform a single matrix multiply.
shape_d = pool3.get_shape()
shape = shape_d[1] * shape_d[2] * shape_d[3]
# tf_shape = tf.stack(shape)
浏览 3提问于2017-06-07得票数 1
回答已采纳
我正在尝试使用Tensorflow处理RNN。我在这个中使用了以下函数
def RNN(x, weights, biases):
# Prepare data shape to match `rnn` function requirements
# Current data input shape: (batch_size, timesteps, n_input)
# Required shape: 'timesteps' tensors list of shape (batch_size, n_input)
# Unstack to get
浏览 1提问于2018-03-05得票数 0
1回答
谁能告诉我，在TensorFlow框架中，如何用用户定义的值初始化LSTM网络的隐藏状态？我试图通过给出第一个LSTM单元的特定隐藏状态来将辅助信息合并到LSTM中。
浏览 6提问于2018-12-04得票数 0
给定一个经过训练的LSTM模型，我想对单个时间步执行推断，即下面示例中的seq_length = 1。在每个timestep之后，需要为下一个“批处理”记住内部LSTM (内存和隐藏)状态。在推理的最开始，根据给定的输入计算内部LSTM状态init_c, init_h。然后将它们存储在一个LSTMStateTuple对象中，该对象被传递给LSTM。在训练期间，此状态在每个时间步都会更新。然而，为了推断，我希望在批处理之间保存state，即只需要在最开始时计算初始状态，然后在每个“批处理”(n=1)之后保存LSTM状态。
我找到了这个与StackOverflow相关的问题：。然而，这只在stat
浏览 49提问于2016-07-07得票数 29
回答已采纳
我试图在TF v1.0中运行以下代码，但它抛出了一个错误。我已经创建了一个lstm，然后定义了状态变量以将其传递给lstm_cell，以便计算输出，但是状态不能被初始化：
lstm_cell = tf.contrib.rnn.BasicLSTMCell(10)
# Initial state of the LSTM memory.
state = tf.zeros([20, lstm_cell.state_size])
outputs, states = lstm_cell(x , state)
这里是回溯：
ValueError
浏览 5提问于2017-02-28得票数 2
回答已采纳
我使用以下代码创建了一个LSTM模型：
model = tensorflow1.keras.Sequential()
model.add(tensorflow1.keras.layers.LSTM(128, input_shape=(720, 4), return_sequences=True)) model.add(tensorflow1.keras.layers.LeakyReLU(alpha=0.5)) model.add(tensorflow1.keras.layers.LSTM(128, return_sequences=True)) model.add(tensorflow1.ke
浏览 3提问于2021-03-15得票数 0
回答已采纳
我正试图找出tensorflow代码(r0.11)的结构，并在理解RNN中使用的"state_is_tuple“参数(目前正在查看LSTM)时遇到问题。
在这篇文章中，说，state_is_tuple选项设置隐藏神经元的状态，和细胞状态是否保存在元组中，或者不保存在中。
所以我的问题是:为什么存在这个参数？它是用来做什么的，，为什么我要麻烦？在什么情况下，我应该将其设置为真/假？
谢谢你的帮助！
浏览 1提问于2016-11-29得票数 6
回答已采纳
在tensorflow中，有一个名为BasicLSTMCell的tf.contrib.rnn.BasicLSTMCell实现。它有一个参数num_units，它意味着LSTM单元中的单元数。但我不知道那是什么意思。
如果我像这样定义一个lstm单元：
lstm_cell = tf.contrib.rnn.BasicLSTMCell(512).
lstm_cell是什么样子的？它是一个lstm节点还是一个具有512节点的lstm层？？谁能告诉我这一点？
浏览 1提问于2017-09-15得票数 3
回答已采纳
2回答
这是我对LSTM序列的理解。假设我们正在处理一个问答设置。
您有两套LSTM(绿色和蓝色)。每组分别共享权重(即，4个绿色单元中的每个具有相同的权重，并且与蓝色单元相似)。第一种是多到一的最小存储空间，它在最后一个隐藏层/单元内存中总结了问题。
第二组(蓝色)是一对多的LSTM，与第一组LSTM具有不同的权重。输入只是回答句，而输出是同一个句子，移动一句。
问题有两个方面: 1.我们是否将最后一个隐藏状态(仅)作为初始隐藏状态传递给蓝色LSTM。或者是最后一次隐藏状态和单元内存。2.是否有办法在Keras或Tensorflow中设置初始隐藏状态和单元内存？如果是这样的话？
(图片取自su
浏览 10提问于2017-09-22得票数 7
回答已采纳
我已经检查了所有类似的帖子，但无法解决我的问题。
实际上，我的代码在我的本地系统上运行良好，但是当我在服务器上执行它时，它给出了这个错误。代码片段：
with tf.variable_scope("lstm") as scope:
# The RNN cell
single_cell = rnn_cell.DropoutWrapper(
rnn_cell.LSTMCell(hidden_size, hidden_size, initializer=tf.random_uniform_initializer(-1.0
浏览 5提问于2016-11-03得票数 0
2回答
我在使用Tensorflow的LSTM细胞。
lstm_cell = tf.contrib.rnn.BasicLSTMCell(lstm_units)
我想知道权值和状态是如何初始化的，或者确切地说，对于Tensorflow中的LSTM单元格(状态和权重)，默认的初始化器是什么？
是否有一种简单的方法来手动设置初始化程序？
注意:对于tf.get_variable()，glorot_uniform_initializer是尽可能从中找到的。
浏览 2提问于2018-03-11得票数 1
回答已采纳
我正在尝试使用tensorflow实现LSTM网。
我有一个单位数= 4的LSTMcell。
cell = tf.nn.rnn_cell.BasicLSTMCell(4, state_is_tuple=True)
我的输入是一个2 X 44(data_hold)矩阵，我把它分成4。
inputs_series = tf.split(data_hold, 4, axis=1)
所以，每个单元都必须是2X11码，对吗？
当我检查我的输入序列时，它是一个形状为2 X 11的张量列表，如预期的那样。
[<tf.Tensor 'split:0' shape=(2, 11) dtyp
浏览 1提问于2017-12-31得票数 0
我是TensorFlow新手，很难理解RNN模块。我正在尝试从LSTM中提取隐藏/单元状态。对于我的代码，我使用来自的实现。
# tf Graph input
x = tf.placeholder("float", [None, n_steps, n_input])
y = tf.placeholder("float", [None, n_classes])
# Define weights
weights = {'out': tf.Variable(tf.random_normal([n_hidden, n_classes]))}
biase
浏览 5提问于2016-10-26得票数 7
回答已采纳
我正在使用遗留的序列到序列框架在TensorFlow 1.0.1中构建一个编解码模型.当我在编码器和解码器中有一层LSTM时，一切都会正常工作。但是，当我尝试使用封装在MultiRNNCell中的>1层LSTM时，在调用tf.contrib.legacy_seq2seq.rnn_decoder时会出现一个错误。
这篇文章的结尾是一个完整的错误，但简而言之，它是由一行引起的
(c_prev, m_prev) = state
在TensorFlow中抛出TypeError: 'Tensor' object is not iterable.。我对此感到困惑，因为我要传递给rnn
浏览 3提问于2017-03-08得票数 0
回答已采纳
我想应用这个方法来实现Bi-LSTM。这里讨论了该方法：Bi-LSTM Attention model in Keras 我得到以下错误：'module' object is not callable 它不能在以下行中应用乘法：sent_representation = merge([lstm, attention], mode='mul') from keras.layers import merge
import tensorflow as tf
from tensorflow.keras.layers import Concatenate, Dense,
浏览 33提问于2020-11-04得票数 0
我所拥有的是以下内容，我相信这是一个具有一个隐藏的LSTM层的网络：
# Parameters
learning rate = 0.001
training_iters = 100000
batch_size = 128
display_step = 10
# Network Parameters
n_input = 13
n_steps = 10
n_hidden = 512
n_classes = 13
# tf Graph input
x = tf.placeholder("float", [None, n_steps, n_input])
y = tf.placeh
浏览 1提问于2016-08-25得票数 5
回答已采纳
我在用不同长度的序列训练LSTM细胞。tf.nn.rnn具有非常方便的参数sequence_length，但是在调用它之后，我不知道如何选择与批处理中每个项的最后一步相对应的输出行。
我的代码基本如下：
lstm_cell = tf.nn.rnn_cell.LSTMCell(num_lstm_units, input_size)
lstm_outputs, state = tf.nn.rnn(lstm_cell, input_list, dtype=tf.float32, sequence_length=sequence_lengths)
lstm_outputs是一个列表，每个时间步骤都有L
浏览 5提问于2016-03-07得票数 5
回答已采纳
我正在尝试运行以下代码：
import matplotlib.pylab as plt
import numpy as np
import torch
import torch.nn as nn
class LSTM(nn.Module):
def __init__(self, input_shape, n_actions):
super(LSTM, self).__init__()
self.lstm = nn.LSTM(input_shape, 12)
self.hidden2tag = nn.Linear(12, n_actio
浏览 0提问于2018-10-28得票数 5
回答已采纳
1回答
是否有标准的方法来维护有状态的LSTM等与Tensorflow服务？
直接使用Tensorflow API是很简单的--但我不确定在将模型导出到服务之后如何最好地在调用之间完成持久化LSTM状态。
是否有任何例子可以达到上述目的？在回购中的样品是非常基本的。
浏览 3提问于2017-04-30得票数 13
回答已采纳
我的理解是，tf.nn.dynamic_rnn在每个时间步骤以及最后状态返回一个RNN单元(例如LSTM)的输出。如何在所有时间步骤中访问单元格状态，而不仅仅是最后一个步骤？例如，我希望能够平均所有隐藏状态，然后在随后的层中使用它。
下面是我如何定义一个LSTM单元，然后使用tf.nn.dynamic_rnn展开它。但是这只给出了LSTM的最后一个单元状态。
import tensorflow as tf
import numpy as np
# [batch-size, sequence-length, dimensions]
X = np.random.randn(2, 10, 8)
浏览 0提问于2017-06-22得票数 5
回答已采纳
1回答
我的问题是关于LSTMs，特别是如何在TensorFlow构造函数中指定LSTM单元的各种输入和输出的形状。我的理解是，LSTM单元有以下六种输入和输出：
1 External input/output
2 Hidden State input/output
3 Context State input/output
我也相信，每一个都是一个具有指定长度的向量。我的问题是:当我在我的TensorFlow模型中添加一个LSTM时，如何指定不同的向量长度？
浏览 0提问于2021-10-12得票数 0
回答已采纳
我想构建一个基于LSTM的神经网络，它接受两种输入并预测两种输出。粗略的结构如下图所示。
Output 2依赖于Output 1，正如在回答类似问题时所述，我尝试通过从LSTM1的隐藏状态设置LSTM2的初始状态来实现这一点。我使用TensorFlow使用以下代码实现了这一点。
import tensorflow as tf
from tensorflow.keras.layers import Input
from tensorflow.keras.layers import LSTM
from tensorflow.keras.layers import Dense
impor
浏览 11提问于2020-05-27得票数 1
嗨，我有一个双向LSTM层：
class BiDirLSTMInput(Layer):
def __init__(self):
self.bidir_lstm = Bidirectional(
LSTM(32, return_sequences=True,return_state=True)
)
def call(self, input):
o, h1,h2, c1,c2 = self.bidir_lstm(input)
return [h1,h2]
如您所见，
浏览 7提问于2020-10-27得票数 0
下面是建立简单RNN的尝试：
import tensorflow as tf
BATCH_SIZE = 7
SEQUENCE_LENGTH = 5
VECTOR_SIZE = 3
STATE_SIZE = 4
x = tf.placeholder(tf.int32, [BATCH_SIZE, SEQUENCE_LENGTH, VECTOR_SIZE],
name='input_placeholder')
y = tf.placeholder(tf.int32, [BATCH_SIZE, SEQUENCE_LENGTH,],
浏览 2提问于2017-09-27得票数 2
我想创造一个不同的人口模型，并更新人口每一代。这意味着我必须每一代创建一个新的模型列表。每次清除模型列表时，内存似乎都会继续存在，并将每一代积累起来，直到消耗掉所有内存为止。
这是我的简化代码：
import tensorflow as tf
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense, LSTM
class population:
def __init__(self):
self.pop = []
def createMod
浏览 2提问于2021-04-30得票数 0
回答已采纳
1回答
用训练的RNN/LSTM模型对句子逐一进行“推理”。我认为我需要在每个句子的开头将RNN/LSTM单元格的历史输入参数设置为零。
那么，怎样才能在Tensorflow中做到这一点呢？
浏览 1提问于2016-10-02得票数 0
4回答
来自Tensorflow代码：丹索尔·弗洛.RnnCell。
num_units: int, The number of units in the LSTM cell.
我不明白这意味着什么。LSTM单元的单位是什么？输入，输出和忘记门？这是否意味着“深层LSTM的递归投影层中的单元数”？那为什么它被称为“LSTM单元中的单元数”？什么是LSTM单元，它与LSTM块有什么不同?如果不是单元，最小LSTM单元是什么？
浏览 0提问于2016-07-24得票数 38
回答已采纳
我看到了在tensorflow上调用lstm的两种不同的方法，我对一种方法和另一种方法的区别感到困惑。在哪种情况下使用其中一种
第一种方法是创建一个lstm，然后像下面的代码那样立即调用它
lstm = rnn_cell.BasicLSTMCell(lstm_size)
# Initial state of the LSTM memory.
initial_state = tf.zeros([batch_size, lstm.state_size])
for i in range(num_steps):
# The value of state is updated after pr
浏览 1提问于2016-06-03得票数 1
回答已采纳
我的tensorflow版本是1.0.0。当我正常运行tf.contrib.rnn.GRUCell(n_hidden_units)时，但是使用tf.contrib.rnn.GRUCell运行错误时：“类型错误‘张量’对象不可迭代”
`with tf.variable_scope('init_name',initializer=tf.orthogonal_initializer()):
cell = tf.contrib.rnn.LayerNormBasicLSTMCell(n_hidden_units)
init_state = tf.g
浏览 4提问于2017-05-27得票数 3
回答已采纳
1回答
当LSTM状态被重置时
、、、
我正在尝试使用tensorflow实现一个LSTM神经网络来进行关键字检测。我给神经网络输入了400ms的序列。然而，在训练期间，我不希望LSTM在尝试学习序列6时记住序列1。那么，如何在训练期间重置LSTM的状态呢？outputs, state = rnn.rnn(cell, inputs, initial_state=self._initial_state)参数中的initial_state是否允许在输入整个批次后重置LSTM的内存？
我试图通过这个链接来理解它的实现：
浏览 13提问于2016-08-01得票数 1
我目前正在使用tensorflow和python处理多层LSTM。我使用initial_state在tf.nn.dynamic_rnn中将单元格的前一个状态传递到下一步。
创建这样的层：
cells = []
for c in range(0, num_layers):
cells.append(tf.nn.rnn_cell.BasicLSTMCell(num_units = num_units, forget_bias = 1.0, activation = tf.nn.tanh))
basic_cell = tf.nn.rnn_cell.MultiRNNCell(cells)
st
浏览 0提问于2018-03-22得票数 0
因此，我无法理解什么是M或nun单位，当我们编码一个LSTM时，如果我们有返回序列=True，我们输入一个T_D矩阵输出为T_M。
对于ex: X= LSTM( 15，return_sequences=True)(x)，是单个LSTM信元中15种隐藏状态的值，或者这意味着在给定的时间戳上堆积的15个LSTM单元。
浏览 1提问于2019-12-09得票数 0
4回答
有人能解释我如何在tensorflow中初始化LSTM的隐藏状态吗？我正在尝试构建LSTM递归自动编码器，因此在对该模型进行训练之后，我希望将无监督模型的学习隐藏状态转换为监督模型的隐藏状态。对于当前的API来说，这是可能的吗？这是我想要重现的一篇论文：
浏览 3提问于2017-02-23得票数 17
回答已采纳
1回答
我当时正在阅读毕火炬中的实现。代码是这样的：
lstm = nn.LSTM(3, 3) # Input dim is 3, output dim is 3
inputs = [torch.randn(1, 3) for _ in range(5)] # make a sequence of length 5
# initialize the hidden state.
hidden = (torch.randn(1, 1, 3),
torch.randn(1, 1, 3))
for i in inputs:
# Step through the sequenc
浏览 0提问于2018-07-23得票数 0
在tensorflow/keras中，我们可以简单地在分类/完全连接/激活(softmax/sigmoid)层之前为最后一个LSTM层设置return_sequences = False，以消除时间维。
在PyTorch中，我没有发现类似的东西。对于分类任务，我不需要序列来对模型进行排序，而是需要像这样的多到一个体系结构：
这是我的简单的双LSTM模型。
import torch
from torch import nn
class BiLSTMClassifier(nn.Module):
def __init__(self):
super(BiLSTMCl
浏览 4提问于2020-06-04得票数 9
回答已采纳
我试图将一个LSTM层的输出输入到另一个LSTM层，以及该层的文本。提供给两个LSTM的文本是不同的，我的目标是第二个LSTM在第一个LSTM理解的基础上提高对其文本的理解。
我可以尝试在Tensorflow中这样实现它：
# text inputs to the two LSTM's
rnn_inputs = tf.nn.embedding_lookup(embeddings, text_data)
rnn_inputs_2 = tf.nn.embedding_lookup(embeddings, text_data)
# first LSTM
lstm1Output, lstm1S
浏览 0提问于2018-02-02得票数 0
回答已采纳
我正在用Python、Keras和Tensorflow构建一个基于LSTM的深层Q学习网络，并遇到了以下问题。在使用给定的batch_input_shape创建网络并尝试将网络与该形状的数据相匹配之后，我将收到以下错误：
警告:tensorflow:模型是为输入张量(“lstm_34_input:0”，shape=(64，1，10)，dtype=float32)用形状(64，1，10)构造的，但是对不兼容的形状(32，1，10)调用它。
我创建了下面的玩具示例，以简单地演示导致问题的代码。
import numpy as np
from tensorflow.keras.models imp
浏览 1提问于2020-08-19得票数 0
回答已采纳
在tensorflow版本2中，当return_state被检查为True时，tf.keras.layers.LSTM仅返回隐藏状态，而不返回单元格状态
浏览 10提问于2019-10-10得票数 0
我目前正在学习tensorflow。我只是做了一些简单的代码，如CNN，RNN和LSTM等等。现在我要实现卷积lstm。我读过并尝试将其作为练习来实现。然而，据我所查，互联网上没有密码。如果有人知道可用的源代码在哪里，请告诉我。
浏览 2提问于2016-08-31得票数 1
回答已采纳
3回答
我得到了一个错误，但它被埋没在TensorFlow库中，所以我很难找出我的模型到底出了什么问题。
我试着用RNN和LSTM。我的模型看起来是这样的：
model = Sequential()
model.add(LSTM(128, activation='relu',
input_shape=1000, return_sequences=True))
model.add(Dropout(0.2))
model.add(LSTM(128, activation='relu'))
model.a
浏览 10提问于2019-10-31得票数 1
回答已采纳
我正在与强化学习一起工作，并希望在培训期间减少通过sess.run()输入的数据量，以加快学习速度。
我查看了LSTM，并且需要向前看和重置以找到适当的Q值，我用tf.case()构建了这样的解决方案：
CurrentStateOption = tf.Variable(0, trainable=False, name='SavedState')
with tf.name_scope("LSTMLayer") as scope:
initializer = tf.random_uniform_initializer(-.1, .1)
浏览 4提问于2016-09-06得票数 0
我正在使用MNIST数据集上的Tensorflow LSTM示例。我不明白的是，为什么在最后一层使用逻辑回归。LSTM网络的最后一个输出不是比使用前一个“时间步”的输出更好的估计器吗？我怎么能只使用LSTM网络的最后一次输出进行分类呢？
# Copyright 2016 The TensorFlow Authors. All Rights Reserved.
#
# Licensed under the Apache License, Version 2.0 (the "License");
# you may not use this file except in co
浏览 5提问于2016-11-08得票数 0
1回答
我对tensorflow和keras相当陌生，我有一个问题。我想使用do时间序列预测使用LSTM层，并作了一些修改。我从tensorflow教程中给出的示例开始
def build_LSTM(neurons, batch_size, history_size, features):
model = tf.keras.models.Sequential()
model.add(tf.keras.layers.LSTM(neurons,
batch_input_shape=(batch_size, history_s
浏览 3提问于2020-03-12得票数 1
4回答
我想知道如何在Tensorflow中使用多层双向LSTM。
我已经实现了双向LSTM的内容，但是我想将这个模型与添加多层的模型进行比较。
我该如何在这个部分中添加一些代码？
x = tf.unstack(tf.transpose(x, perm=[1, 0, 2]))
#print(x[0].get_shape())
# Define lstm cells with tensorflow
# Forward direction cell
lstm_fw_cell = rnn.BasicLSTMCell(n_hidden, forget_bias=1.0)
# Backward directi
浏览 11提问于2017-09-13得票数 8
回答已采纳
我有一个错误 {taskinstance.py:1455} ERROR - Cannot convert a symbolic Tensor (lstm_4/strided_slice:0) to a numpy array. This error may indicate that you're trying to pass a Tensor to a NumPy call, which is not supported 回溯(最近一次调用) 当我使用下面的代码创建LSTM-VAE模型时。 配置： Python: 3.7.9
Tensorflow: 2.4.0
NumPy: 1.1
浏览 121提问于2021-04-28得票数 0
回答已采纳
1回答
使用Tensorflow通过2层RNN方法对MNIST数字进行分类。训练效果很好，但在评估准确性时，会报告测试数据的形状不兼容。
import tensorflow as tf
import inspect
import numpy as np
from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets("/tmp/data/", one_hot = True)
hm_epochs = 1
n_classes = 10
batch_size = 128
浏览 10提问于2017-08-03得票数 1
我正在审查tensorflow和Keras中的LSTM单元的文档。特别是，我也想申请退学。下面是我在Keras中的内容，并希望在tensorflow中应用相同的LSTM单元：
cell = LSTM(num_units_2, return_sequences=True, dropout=dropout, recurrent_dropout=dropout)(net)
因此，我知道我需要在带有tf.nn.rnn_cell.LSTMCell的tensorflow中使用num_units = num_units_2。其次，我需要一个DropoutWrapper，如：
cell = tf.nn.rnn
浏览 1提问于2018-08-13得票数 3
回答已采纳
我使用Keras (Tensorflow后端)来拟合时间序列模型。这是我的模型：
model = Sequential()
model.add(LSTM(LSTM_nums, input_shape=(timestep,data_dim)))
model.add(Dense(2))
model.compile(loss='mean_squared_error', optimizer='adam')
model.fit(trainX, trainY, epochs=100, batch_size=1, verbose=2)
我想知道是否存在用给定的时间步骤设置LS
浏览 0提问于2017-11-12得票数 0
Tensorflow r0.12的tf.nn.rnn_cell.LSTMCell文档将此描述为init：
tf.nn.rnn_cell.LSTMCell.__call__(inputs, state, scope=None)
其中state如下：
状态:如果state_is_tuple是假的，这必须是状态张量，2-D，批处理x state_size.如果state_is_tuple是真，这必须是状态张量的元组，都是2-D，列大小为c_state和m_state。
什么是aare c_state和m_state，它们是如何融入LSTM的？我在文件中任何地方都找不到他们的参考资料。
浏览 4提问于2017-01-22得票数 18
回答已采纳
1回答
我正在用编码器/解码器模式编写一个德语->英语翻译器，其中编码器通过将其最后一个LSTM层的状态输出作为解码器LSTM的输入状态来连接到解码器。
但是，我被卡住了，因为我不知道如何解释编码器的LSTM输出。一个小例子：
tensor = tf.random.normal( shape = [ 2, 2, 2 ])
lstm = tf.keras.layers.LSTM(units=4, return_sequences=True, return_state=True )
result = lstm( ( tensor )
print( "result:\n", resul
浏览 6提问于2021-06-14得票数 0
回答已采纳
扫码
添加站长 进交流群
领取专属 10元无门槛券
手把手带您无忧上云
相关资讯
热门标签
云服务器
ICP备案
实时音视频
云直播
对象存储活动推荐
腾讯云开发者
