使用 tf.nn.dynamic_rnn 展开时间维度方式
对于单个的RNNCell，使用色的call函数进行运算时，只是在序列时间上前进了一步。
如使用x1、ho得到此h1，通过x2、h1 得到h2 等。
tf.nn.dynamic_rnn的作用：
如果序列长度为n，要调用n次call函数，比较麻烦。对此，TensorFlow提供了一个tf.nn.dynamic_mn函数，使用该函数相当于调用了n次call函数。通过{ho,x1,x2，…，xn} 直接得到{h1,h2，…，hn} 。
具体来说，设输入数据的格式为（batch_size,time_steps,inputsize），
其中batch_size表示batch的大小，即包含几个序列。
time_steps表示序列长度，
input_size表示输入数据单个序列单个时间维度上固有的长度。
此时，得到的outputs是time_steps步里所有的输出。它的形状为(batch_size,time_steps,cell.outputsize）。state是最后一步的隐状态，形状为（batch_size,cell.state_size）。
至此，在对每一步的输出进行变换，可以得到损失并进行训练模型了。
以上这篇使用tf.nn.dynamic_rnn展开时间维度方式就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持毛票票。
声明：本文内容来源于网络，版权归原作者所有，内容由互联网用户自发贡献自行上传，本网站不拥有所有权，未作人工编辑处理，也不承担相关法律责任。如果您发现有涉嫌版权的内容，欢迎发送邮件至：czq8825#qq.com（发邮件时，请将#更换为@）进行举报，并提供相关证据，一经查实，本站将立刻删除涉嫌侵权内容。