tensorflow下lstm的實踐

lstm作為乙個優秀的rnn變體，在時間序列的**中有著優秀的運用。在了解其原理1

之後，繼續來了解實踐中的lstm如何運用。

說道lstm，首先得了解rnn在tensorflow中的基本函式tf.nn.rnn_cell.lstmcell，相比基本的basiclstmcell模組，lstmcell中有加入一些變種的特性clipping,projection layer,peep-hole等，如果不了解可以保持預設設定。lstm的基本設定為：

tf.nn.rnn_cell.lstmcell(num_units=

64, state_is_tuple=
true
)

我們的輸入x的長度可以任意長，這個長度在lstmcell的初始化中不需要指定。

我們看下tf.nn.rnn_cell.lstmcell的build函式：

@tf_utils.shape_type_conversion

defbuild
(self, inputs_shape)
:if inputs_shape[-1
]isnone
:raise valueerror(
"expected inputs.shape[-1] to be known, saw shape: %s"
% inputs_shape)
input_depth = inputs_shape[-1
]    h_depth = self._num_units if self._num_proj is
none
else self._num_proj
maybe_partitioner =
(        partitioned_variables.fixed_size_partitioner(self._num_unit_shards)
if self._num_unit_shards is
notnone
else
none
)    self._kernel = self.add_variable(
_weights_variable_name,
shape=
[input_depth + h_depth,
4* self._num_units]
,        initializer=self._initializer,
partitioner=maybe_partitioner)
if self.dtype is
none
:      initializer = init_ops.zeros_initializer
else
:      initializer = init_ops.zeros_initializer(dtype=self.dtype)
self._bias = self.add_variable(
_bias_variable_name,
shape=[4
* self._num_units]
,        initializer=initializer)
if self._use_peepholes:
self._w_f_diag = self.add_variable(
"w_f_diag"
, shape=
[self._num_units]
,                                         initializer=self._initializer)
self._w_i_diag = self.add_variable(
"w_i_diag"
, shape=
[self._num_units]
,                                         initializer=self._initializer)
self._w_o_diag = self.add_variable(
"w_o_diag"
, shape=
[self._num_units]
,                                         initializer=self._initializer)
if self._num_proj is
notnone
:      maybe_proj_partitioner =
(          partitioned_variables.fixed_size_partitioner(self._num_proj_shards)
if self._num_proj_shards is
notnone
else
none
)      self._proj_kernel = self.add_variable(
"projection/%s"
% _weights_variable_name,
shape=
[self._num_units, self._num_proj]
,          initializer=self._initializer,
partitioner=maybe_proj_partitioner)
self.built =
true

強烈推薦這篇博文：深入淺出，講的非常好 ↩︎

tensorflow實現基於LSTM的文字分類方法

學習一段時間的tensor flow之後，想找個專案試試手，然後想起了之前在看theano教程中的乙個文字分類的例項，這個星期就用tensorflow實現了一下，感覺和之前使用的theano還是有很大的區別，有必要總結mark一下 這個分類的模型其實也是很簡單，主要就是乙個單層的lstm模型，當然也...

Tensorflow實現LSTM文字分類

最近需要寫乙個神經網路模型來做分類。作為此前沒有實戰過深度學習，只寫過svm之類的，學習過一些理論知識的新手，為了快速上手，第一想法就是找乙個簡單的demo跑通，對整個流程和結構有乙個初步體驗。於是在網上找了乙個tensorflow實戰系列 手把手教你使用lstm進行文字分類 但是教程存在乙個問題，...

tensorflow實現lstm中遇到的函式記錄

函式一 initializer tf.random uniform initializer 0.1,0.1,seed 123 tf.random uniform initializer 引數 函式二 lstm tf.contrib.rnn.lstmcell rnn size,initializer ...